本研究提出了一种基于 GPU 加速和 OpenROAD 基础设施的快速全局布局框架 DG-RePlAce，通过利用机器学习加速器的固有数据流和数据路径结构，实现了路由线长度减少 10％（7％）和总负预留时间减少 31％（34％），并且全局布局速度更快，总运行时间与 DREAMPlace 相当。实证研究还表明，对于机器学习加速器，相较于 RePlAce 和 DREAMPlace，在后续路由中的改进效果可能超出原始应用。

Mar, 2024

提出了一个分布式优化框架，允许在每个（单个）机器上使用任意的求解器，同时保持出色的性能，并对此进行了强有力的原始 - 对偶收敛率保证。

Dec, 2015

HyperMapper 2.0 is a new methodology and software framework that handles multi-objective optimization, unknown feasibility constraints, and categorical/ordinal variables for computer systems design, achieving better Pareto fronts and improved sampling for hardware accelerators.

Oct, 2018

本文提出了一种基于 Bayesian optimization 算法的宏块布局方法，相对于强化学习等黑盒优化方法，其更具有样本效率且可以通过数据进行自适应学习。通过固定轮廓宏块摆放问题，并以半周长导线长度为目标函数衡量，实验得出了具有竞争力的性能优化算法。

Jul, 2022

本文介绍了一种新型的行动平台 —— 空中 - 地面机器人，并提出了一种轻量级全局空间规划技术来实现优化路径，该技术基于图搜索算法，结合平面和空间搜索。同时，提出了一种陷阱逃逸方法来保障电池健康和任务执行的完整性。仿真结果表明，该技术能够有效生成可信度高的三维路径，并能有效地识别额外的可接受模式切换位置，从而实现了更快、更节能的路径规划。

May, 2023

通过深度强化学习方法 DeepPlace 和 DeepPR，结合梯度优化和强化学习，编码输入宏单元的全局图层和本地节点层信息的多视图嵌入模型，并通过鼓励探索的随机网络蒸馏方法，有助于解决现代芯片设计过程中的放置和路由问题。

Oct, 2021

该研究提出了一种利用 Google 的电路训练方法 (G-CT) 的方法，提供了一种基于学习的宏放置器，不仅支持放置矩形案例，而且遵循重要的人类设计原则，实验证明了该框架在实现功耗 - 性能 - 面积（PPA）指标上的有效性和与人工干预产生的高质量放置的可比性，并且该方法显示出解决不同宏形状和布局区域的潜力。

Nov, 2023

本研究提出了一种基于黑箱优化（BBO）框架（称为 WireMask-BBO）的宏单元布局方法，通过使用电线掩蔽引导的贪婪过程进行目标评估。该算法在缩短半长度周边线的同时，大大节约了时间，具有在芯片布局方面提高质量和效率的潜力。

Jun, 2023

在本文中，我们研究了机器人技术中的一个基本任务 —— 拾取和放置。通过结合仿真驱动的物理稳定性验证和大型语言模型的语义推理能力，我们提出的方法能够在给定上下文信息的情况下，输出放置任务的可能候选位置的概率分布，考虑到任务的稳定性和合理性。我们在两个仿真环境和一个真实环境中对我们的方法进行了广泛评估，并展示了我们的方法在考虑用户偏好的情况下，显著提高了放置任务的物理可信度和上下文合理性。

Sep, 2023

本文旨在解决机器人移动操作中基础放置优化问题。通过使用基于 Scale-like disc（SLD）表示法的工作空间表示来分离任务约束和基础放置，提出了一种多目标优化算法，将涵盖面积、操作灵活性和时间成本等目标同时考虑。实验结果表明，所优化的基础放置显著提高了任务的覆盖度和效率。

Apr, 2023