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

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

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

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

该论文介绍了一种名为LLANA的框架，利用大型语言模型来增强Bayesian Optimization（BO）技术，通过利用LLM的few-shot learning能力更高效地生成与模拟设计相关的参数约束，从而实现与最先进的BO方法相媲美的性能，并且通过LLM的文本理解和学习效率更有效地探索模拟电路设计空间。

Jun, 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

通过INSIGHT这个GPU支持的技术无关型通用神经模拟器，能够准确预测模拟电路的性能指标，从而显著减少推理时间，实现了模拟前端设计的自动化和优化。

Jul, 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