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

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

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

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

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