该研究介绍了使用强化学习和图卷积神经网络实现电路自动设计中的跨电路知识转移并在四种电路中实现了最优Figures of Merit (FoM)优化结果的方法，并对使用转移学习的情况进行了评估，证明了知识转移的重要性。

Apr, 2020

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

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

研究提出了INVICTUS，一个基于模型的离线强化学习（RL）解决方案，可自动生成一系列基于先前设计的训练数据集的逻辑化简启发式的序列，以用于芯片设计的逻辑合成。结果表明，与最先进的技术相比，INVICTUS 在合成电路的面积时延乘积（ADP）方面有显着改进，改进达到了最先进技术的 30% ，同时在运行时间方面还实现了高达 6.3 倍的降低。

May, 2023

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

提出了一种新的数据驱动型逻辑综合运算符模型，名为PruneX，用于减少无效转换并解决逻辑综合中的OOD问题。通过集成PruneX与现有的Resub和Mfs2运算符，实验证明PruneX在工业和大规模电路上显著提高效率，同时保持可比较的优化性能，加速运行时间高达3.1倍。

Aug, 2023

本研究对逻辑综合的学习和搜索技术进行了彻底的研究，发现预训练代理器在面对全新设计时可能偏离轨道，从而对搜索轨迹产生不利影响。我们提出了ABC-RL，这是一个经过精心调整的α参数，能够在搜索过程中熟练地调整来自预训练代理器的建议。基于与训练数据集的最近邻检索相似性分数计算得到的ABC-RL针对广泛的硬件设计提供了优越的综合方案。我们的发现展示了合成电路质量结果（QoR）的显著改进，与现有技术相比，提高了最高达24.8%的性能。此外，与当前最先进的方法相比，ABC-RL在运行时间上实现了高达9倍的减少（iso-QoR）。

Jan, 2024

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

本研究针对电子设计自动化中逻辑综合阶段面临的数据稀缺与高阶图表示学习困难问题，提出了MTLSO多任务学习方法。通过引入辅助的二元多标签图分类任务，结合主回归任务，提升了模型的学习能力并充分利用有限的数据。实验结果表明，该方法在延迟和面积上的平均性能分别提高了8.22%和5.95%，展示了其显著的优势和潜在影响。

Sep, 2024

本文研究了逻辑综合优化（LSO）中的数据稀缺问题及现有模型的过拟合和泛化能力限制。提出了一种新颖的LSOformer方法，利用自回归变换器模型和预测自监督学习来提高质量结果（QoR）的预测精度，实验证明LSOformer在QoR预测任务中优于基线架构，分别在EPFL、OABCD和专有电路数据集上实现了5.74%、4.35%、和17.06%的提高。

Sep, 2024