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

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

GraPhSyM 是基于图注意力网络 (GATv2) 模型的一项工作，可从物理综合前电路网表中快速准确地估计电路延迟和面积指标，为早期电子设计自动化（EDA）阶段（如逻辑综合）提供准确的最终设计指标可见性，同时消除了运行慢的物理综合流程，实现跨阶段的全局协同优化，此外，GraPhSym 提供的快速而准确的反馈对于基于机器学习的EDA优化框架至关重要。

Aug, 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

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

HOGA是一种基于注意力机制的模型，能够在大规模、复杂电路问题中可扩展且具有泛化性，通过预先计算节点的逐跳特征并使用门控自注意力模块生成节点表示，自适应地学习不同跳之间的重要特征，因而适应不同电路结构，可在分布式环境下高效训练。在实验证明，与常规图神经网络相比，HOGA在逻辑综合后的结果质量预测方面减少了46.76%的估计误差，在复杂技术映射后的看不见门级网络列表上识别功能块方面，HOGA的推理准确率提高了10%，而HOGA的训练时间几乎与计算资源的增加成线性关系。

Mar, 2024

通过集成图神经网络和生成模型，我们提出了用于高级综合的深度逆向设计（DID4HLS）的新方法，通过从后高级综合数据学习设计特征的条件分布，迭代地优化计算密集型算法的硬件设计。与四种最先进的设计空间探索方法相比，在六个基准测试中，我们的方法的平均参考集距离（ADRS）平均改善了42.5％，同时表现出高鲁棒性和效率。

Jul, 2024

本研究针对传统启发式电路设计方法遇到的瓶颈，提出了一种新颖的名为ShortCircuit的变压器架构，利用AND-反相器图的结构特性，通过结合监督和强化学习的两阶段过程，提高了对未见真值表的泛化能力。实验结果表明，ShortCircuit在生成电路方面表现出色，成功生成84.6%的8输入测试真值表的AIG，并在电路规模上比最新的逻辑综合工具ABC提升了14.61%。

Aug, 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