本文介绍一种名为基于覆盖率反馈的测试选择的自动约束提取和测试选择的新方法，通过选择具有高概率增加功能覆盖率的测试，有助于减少手动约束编写，优先考虑有效测试，降低验证资源消耗，加速大型工业硬件设计的覆盖率闭合。

May, 2022

本文中，我们提出了一种混合智能测试方法，结合了 “覆盖向导测试选择” 和 “新颖性驱动验证” 两种方法，以实现高效有效的硬件测试。

May, 2022

本文研究如何使用形式化验证技术对增强学习 - enabled 机器学习系统进行验证，以保证其行为安全，并提出了一种基于黑盒方法的综合确定性程序的方法来实现系统验证。

Jul, 2019

本文利用强化学习 (Reinforcement Learning，RL) 自动化硬件特洛伊（Hardware Trojan, HT）嵌入过程，以消除制约 HT 检测方法成果的人为偏见。作者开发的工具集可以将组合 HT 插入 ISCAS-85 基准套件，具备 HT 大 小和触发条件的变化性，并证明了其效果高，输入覆盖率高达 100％，所插入的 HT 具有最小的体积和罕有的激活概率。

Apr, 2022

本文提出一种基于深度强化学习的生成安全关键场景的方法，通过基于生成模型的可信度目标和基于风险目标的奖励函数，成功地生成了高质量的安全关键场景。

Jun, 2023

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

本文提出一种基于视觉的控制新的挑战性基准，用于分析在多种视觉干扰和复杂性环境下的强化学习算法，结果表明当前视觉控制强化学习方法在复杂性视觉干扰下表现不佳，需要新的方法来应对现实世界的视觉复杂性。

Jan, 2021

自动获取适用于代码合成模型的强化学习训练数据，结合简单而有效的演员 - 评论家强化学习训练方案，提高预训练代码语言模型的性能。

Oct, 2023

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

深度强化学习在控制系统领域得到了广泛应用，但其实际应用受到状态扰动的影响，导致系统性能下降。本研究提出了一种基于奖励鞅的鲁棒性验证方法，通过建立数学模型来描述状态扰动对系统性能的影响，为累积奖励问题提供了可靠的数值证明，并证明了奖励鞅可通过神经网络实现和训练，对不同类型的控制策略具有普适性。实验结果表明，所提出的方法的认证界限能有效地包围各种基于深度强化学习的控制系统的仿真结果。

Dec, 2023