L2DC是一种基于强化学习的电路设计方法，通过利用无先验知识的RL agent优化电路参数并自动生成新电路数据，实现对电路的自动优化，相比于传统的人工设计或贝叶斯优化方法，L2DC在样本效率和性能上都具有更优的表现。

Dec, 2018

本研究介绍了基于深度强化学习、图模型策略网络和模拟电路设计领域知识的自动设计方法，以加快模拟电路的设计。该方法在电路参数和设计目标之间建立关系，实现了99%的设计准确率和1.5倍的效率提升，并支持不同半导体技术的模拟电路设计。

Feb, 2022

本文介绍了一种用于电路设计的监督式预训练方法，利用神经网络（NN）和图神经网络（GNN），以预测输出等效电路的直流电压，提升了新电路结构或未见过的预测任务的可适应性和样本效率。

Mar, 2022

RobustAnalog是一个稳健的电路设计框架，将不同变化下的电路优化作为一组任务，并利用任务之间的相似性和竞争减轻实现了高效的多任务训练，从而可以快速生成满足不同限制条件的电路参数，相比于其他算法，能显著减少14-30倍的优化时间，为应对各种实际硅条件提供了可行的方法。

Jul, 2022

利用模拟数据的有监督学习方法生成数据集，通过有监督学习训练系统以设计满足阈值规范的电路，同时通过广泛的实验表明，该方法在线性、非线性和自主电路配置方面的成功率超过90％，同时提高了数据效率一个数量级以上。

Jul, 2023

该论文介绍了一种用于模拟电路设计自动化的电路图神经网络（CktGNN），通过编码电路图并基于优化子程序自动生成电路拓扑结构和器件尺寸，提高了设计效率。同时，引入了一个名为OCB的公开数据集，用于评估和推广CktGNN在设计各种模拟电路方面的优越性能。该研究为一种基于学习的开源设计自动化模式在模拟电路领域铺平了道路。

Aug, 2023

高成本模拟一直是实际模拟/混合信号设计自动化的瓶颈。我们提出了一种基于学习的算法，能够使用少量数据进行训练，因此适用于模拟成本高的任务。我们的高效算法解决了后布局性能优化问题，同时也解决了原理图级别调整问题。为了实现高效优化，我们使用贝叶斯神经网络作为回归模型来近似电路性能。对于布局感知的优化，我们将问题看作多保真度优化问题，并通过利用廉价评估结果的相关性来提高效率。我们提供了三个测试案例来证明我们算法的高效性。测试结果表明，我们的方法比传统基准和先进算法更高效。

Nov, 2023

通过Python代码生成的AnalogCoder是无需训练的大型语言模型代理，能够自动校正设计模拟电路并以高成功率完成设计，同时还提供电路工具库用于构建复合电路，实验证明AnalogCoder在模拟电路设计任务上优于其他基于LLM的方法，能够显著提高芯片设计过程的效率。

May, 2024

ADO-LLM整合了大型语言模型与贝叶斯优化用于模拟设计优化，利用大型语言模型的领域知识并结合贝叶斯优化的多样性和探索能力实现了设计效率和效果的显著提升。

Jun, 2024

本研究解决了现有模拟电路自动合成方法在转移性和可重用性上的局限性，通过提出基于指定规范的模拟电路生成任务，介绍了一个简单有效的变分自编码器模型CktGen。实验结果表明，该方法在开放电路基准测试中相较于现有先进方法显著提升了性能。

Oct, 2024