Dec, 2023

自适应重聚焦驱动的 AIG 改写通过策略学习

PDF
TL;DR通过结合多策略 AIG 重写和基于策略学习的算法选择，提出了一种自适应的重汇合驱动的 AIG 重写算法，实验结果表明该方法平均在尺寸和深度上分别提高了 5.567％和 5.327％。
发现论文，激发创造
  • 图形神经网络的图形重写

    本文提出将图重写作为研究和比较图神经网络的形式模型，并将 GNN 表示为图重写系统，探讨其架构和算法。作者开发了一个基于 Groove 图重写模型的案例研究，用于模拟消息传递神经网络，并探讨其对动态更新的增量操作。

    May, 2023

  • AISYN: 基于强化学习的人工智能逻辑综合框架

    通过应用强化学习算法，可以更好地解决逻辑综合中的局部最小值问题，从而实现对细胞面积等重要指标的显著优化。

    Feb, 2023

  • AIGenC: 通过创造力实现 AI 的普适性

    本文介绍了一种基于认知创造力理论的计算模型，旨在实现人造智能代理学习使用和生成易于迁移的表征，并通过梯度强化学习获取目标导向和时间信息的双重记忆系统，以及进行反射推理和融合等认知处理来提高人造智能的足够抽象度，以期在人工通用智能领域迈出更大的步伐。

    May, 2022

  • 一个神经重写系统用于解决算法问题

    我们提出了一种用于学习算法任务的原创方法，该方法受符号人工智能中的重写系统的启发，该系统由专门的模块组成的神经结构实现，通过系统地应用组合规则来解决超出分布的问题实例。

    Feb, 2024

  • 基于高效不变名称的图神经网络表示的自动定理证明集成方法

    使用强化学习和集成方法，借助改进的图神经网络和改良的公式表示方法，成功地构建了一种名称不变的公式表示方法，显着提高了自动定理证明的性能和泛化能力。

    May, 2023

  • 学习局部改写以进行组合优化

    本论文提出了一种基于 NeuRewriter 的方法，该方法使用 actor-critic 强化学习来指导启发式搜索，并成功地解决了三个复杂的组合问题。

    Sep, 2018

  • 基于生成深度神经网络的逻辑综合

    本文介绍了一种基于 Circuit Transformer 模型的逻辑综合重写操作符，通过将现有技术和 Circuit Transformer 相结合，解决了规模可扩展性问题，并在 IWLS 2023 竞赛基准上证明了提出的重写方法的有效性。

    Jun, 2024

  • 人工智能通用智能的新解决方案和具体实施步骤

    通过解决大规模模型的局限性以及利用现有技术，本文提出解决方案，进而解决大规模模型固有的缺陷，逐步实现真正的人工智能通用智能。

    Aug, 2023

  • 基于本地感知的图重连技术在图神经网络中的应用

    图神经网络是基于图的机器学习的流行模型，本文提出了一种新的图重连框架，通过一系列的重连操作满足降低过度挤压、保持图的局部性和稀疏性等特点，并验证其在多个真实世界基准测试中的有效性。

    Oct, 2023

  • DRiLLS: 深度强化学习用于逻辑综合

    提出了一种基于强化学习的方法，自动化优化逻辑综合过程，通过训练 Actor Critic（A2C）智能体来实现无人工干预的设计优化，取得了较好的优化结果。

    Nov, 2019