利用强化学习进行 IR 感知的 ECO 时序优化

Feb, 2024

利用强化学习进行 IR 感知的 ECO 时序优化

IR-Aware ECO Timing Optimization Using Reinforcement Learning

Vidya A. Chhabria, Wenjing Jiang, Sachin S. Sapatnekar

TL;DR工程变更订单（ECOs）通过集成 IR-drop 感知时序分析和强化学习（RL）优化方法，在物理设计和功率网格综合后通过门尺寸调整来修复由 IR-drop 引起的时序退化，以保持时序改进的性能，具有良好的可迁移性。

Abstract

engineering change orders (ECOs) in late stages make minimal design fixes to recover from timing shifts due to excessive IR drops. This paper integrates ir-drop-aware timing analysis and ECO timing optimization u

engineering change orders ir-drop-aware timing analysis reinforcement learning gate sizing lagrangian relaxation

发现论文，激发创造

强化学习的组合探索优化

在解决复杂优化问题方面，探索式组合优化（ECO-DQN）通过连续改进解决方案，从而有效地学习有效的启发式方法来解决图上的组合优化问题，并在最大割问题上展示了最先进的强化学习性能。

Sep, 2019

基于规划的强化学习实现可再生能源电力系统的实时调度

该研究利用最新的强化学习算法和真实的电力网络环境，提出了一种系统的解决方案来解决传统能源调度面临的问题，并为电力系统提供了一个可持续的低碳未来。

Mar, 2023

深度强化学习实现驾驶援助生态驾驶和传动控制

本文提出了针对现代交通运输领域中节约能源消耗和减少温室气体排放的需求，采用深度强化学习控制体方法，模拟实现了可交互的节油驾驶辅助代理，以最小化油耗为目标，并通过与基准控制器性能的比较，验证了该代理策略的有效性。

Dec, 2022

参数化强化学习方法在信号控制路口电动车辆节能驾驶中的应用

本文提出一种基于强化学习的连接电动汽车经济驾驶框架，旨在提高车辆能源效率，并在交通信号灯路口中重新定义汽车后续策略、换道策略以及车辆加速控制决策，从而优化车辆动作方案，基于 SUMO 软件单车视角和流量视角的评估表明，该策略能够显著减少非人为驾驶车辆的能源消耗，实现了减排目的。

Jun, 2022

基于强化学习的基于排队的环形交叉口节能驾驶

我们研究了环城路口的生态驾驶在混合交通中如何提高交通流量和交通效率。我们发展了基于规则和基于强化学习的两种生态驾驶系统，并通过对比它们的性能发现，强化学习并没有明显优势，尤其是在高交通量或低连接车辆渗透率下。

May, 2024

通过高效探索学习解决组合图分割问题

本文介绍了一种名为 ECORD 的新型强化学习算法，它通过限制图神经网络的使用，提升了在最大割问题上的表现和可扩展性。在 500 个节点的图上，ECORD 相较于最接近的竞争者，优化效果缩小了最多 73%。同时，ECORD 在具有多达 10000 个节点的图的普适性方面保持了强有力的表现。

May, 2022

利用李亚普诺夫驱动的深度强化学习技术，利用可重构智能表面增强边缘推理

本文提供面向 6G 网络中可重构智能表面（RIS）的边缘智能算法，结合了 Lyapunov 随机优化和深度加强学习，以实现能耗、时延和推理准确度的最佳平衡。

May, 2023

基于图形强化学习的动态边缘计算中 CNN 推理卸载

本文通过使用图形强化学习的早期退出机制来解决移动边缘计算网络中的计算任务不确定性问题，提出了一个以最大化推理准确性和吞吐量为目标的计算任务卸载的优化问题，并在动态变化的场景下，通过实验结果表明了其优于 DROO 和 DROOE 的决策制定性能。

Oct, 2022

分布式滤波电路的自动设计和优化采用强化学习

提出的自动化方法利用强化学习算法来改善分布式过滤电路（DFCs）的设计，消除了工程师设计经验的依赖，从而显著降低了电路设计的主观性和限制性。实验结果表明，与传统的工程师驱动方法相比，该方法在设计效率和质量上都有明显的改进，特别是在设计复杂或快速演化的 DFCs 时表现出卓越性能。此外，与现有的电路自动化设计技术相比，该方法展现出更高的设计效率，凸显了强化学习在电路设计自动化中的巨大潜力。

Feb, 2024

一种应用机器学习方法提高全局路由与详细路由之间时序一致性

本文提出基于机器学习的模型，通过设计结构的 parasitic estimation 和 timing estimation，实现在 post-global routing 优化过程中，达到提高电路性能的目的。经实验证明，该模型可应用于不同设计并可开展大规模实验评估，对于设计算法可以被采用作为完整性检查或 ECO 后流优化方法。

May, 2023