通过预测下一个逻辑门，使用基于 Transformer 的神经模型对电子设计任务进行了改进，取得了显著的性能提升，并保持了严格的等效性约束。

Mar, 2024

本文探讨了神经符号计算中的两个基本问题：深度学习是否能够端到端地解决逻辑中的挑战性问题，以及神经网络是否能够学习逻辑的语义。研究重点是线性时间暂态逻辑（LTL），通过训练 Transformer 来直接预测给定 LTL 公式的解，使用传统求解器产生的经典解决方案生成训练数据，研究表明，使用这些特定的解决方案进行训练已足够。 Transformers 甚至可以预测在文献基准测试中，经典求解器超时的公式的解，它也可以推广到逻辑的语义，虽然与经典求解器找到的解有所不同，但仍可以正确地预测大多数公式的解。

Mar, 2020

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

本文提出了一种基于深度学习的方法，使用 Linear-time Temporal Logic 规约来修复 sequential circuits，并且使用多模态表示学习的分层 Transformer 模型来修复，并提出了一种数据生成算法用于扩展到更复杂的规约和 out-of-distribution 数据集。海量实验结果证明我们的方法可以显著提高基于 LTL 规约的自动化电路合成效果。

Mar, 2023

本研究提出了一种新颖的可完全解释的神经方法来合成组合逻辑电路，其特点是可以扩展到归纳情形并成功地学习了多种算术、位运算和信号路由操作，并且对于合成逐渐增大的实际电路始终产生良好的结果。

Oct, 2022

通过使用强化学习方法，将其整合到量子传递工作流中，实现了量子电路的综合和路由优化，且在速度和优化的效果上明显超越其他方法，在实际的量子传递过程中显示出很高的实用性。

May, 2024

本研究提出了一种名为 AltGraph 的搜索型电路转换方法，使用现有的生成图模型生成等效的量子电路。使用三个主要的图模型：DAG Variational Autoencoder (D-VAE)、Gated Recurrent Unit (GRU) 和 Graph Convolutional Network (GCN)，以及 Deep Generative Model for Graphs (DeepGMG)。AltGraph 比原始转换电路平均减少 37.55% 的门数量和 37.75% 的电路深度，且平均密度矩阵均方误差 (MSE) 仅为 0.0074。

Feb, 2024

这篇论文提出了一种深度学习和逻辑规则相结合的通用框架，能够将逻辑规则的结构信息转移至神经网络的权重中，有效地提高了 CNN 和 RNN 的性能，适用于情感分析和命名实体识别等多个领域。

Mar, 2016

利用 Transformer 机器学习架构生成更真实的量子线路数据集，通过 KetGPT 工具生成以人类编写的基于算法的代码结构为基础的 OpenQASM 语言的合成线路，可用于评估量子系统的性能，并为 AI 驱动的量子编译器和系统做出重要贡献。

Feb, 2024

本研究提出 DeepGate2，一种新型功能感知学习框架，其使用逐对真值表之间的差异作为训练监督，并考虑电路的特性，设计了一个高效的图神经网络模型，从而在逻辑综合和布尔可满足性求解任务中表现出了显著的改进。

May, 2023