跳到主要内容
AI FOR EDA · RESEARCH

智能 EDA 研究
算法、数据与可复现系统

聚焦机器学习与大模型在电子设计自动化中的前沿问题:逻辑综合与工艺映射、布局布线与时序优化、设计规则与可制造性、电路/版图表征与预训练,以及面向 Agent 的开放工具链。论文成果、Benchmark 与开放课题在此汇总,并与开源 iEDA / AiEDA 工程能力相互印证。

ai-for-eda
# synthesis · place · route · timing · representation
[papers] 48+ journal / conference
→ ML · LLM · Agent · benchmark
iMapsynthesisiFPfloorplaniPDNpoweriPLplacementiCTSclockiTOoptimizationiRTroutingiSTAtimingAiEDAdesign dataiPCLlayout modeliMapsynthesisiFPfloorplaniPDNpoweriPLplacementiCTSclockiTOoptimizationiRTroutingiSTAtimingAiEDAdesign dataiPCLlayout model
FEATURED

代表工作

近期与智能 EDA 工具链紧密相关的成果。

J16 · EABE
JournalSCI Q1

DD-DeepONet: A domain decomposition DeepONet framework for PDEs on structured domains with geometry and physics variatio

这是一项Journal成果(EABE),在 iEDA.ai 研究矩阵中归档,便于与产品能力交叉索引。

详情 →
J15 · TCAD
JournalCCF-A

CircuitFlow: Learning Dynamic Representations for Logic Optimization

逻辑综合与映射相关,适合作为 AiMap / iMap 方向的学术入口。

详情 →
J14 · TODAES
JournalCCF-B

SensTDDP: A Timing Sensitivity Analysis Framework with Application to Timing-Driven Detailed Placement

围绕时序与时钟结构的预测或优化,可对接 iSTA / iCTS / AiSTA 的工程路径。

详情 →
J13 · TODAES
JournalCCF-B

A Survey of Machine Learning Approaches in Logic Synthesis

逻辑综合与映射相关,适合作为 AiMap / iMap 方向的学术入口。

详情 →
J12 · TCAD
JournalCCF-A

AiEDA: An Open-Source AI-Aided Design Library for Design-to-Vector

该工作把开放设计状态系统化为可学习表示,是 iEDA.ai 智能层的产品化底座:工具跑流产生状态,Library 导出向量,模型再回流决策。

详情 →
J11 · TCAD
JournalCCF-A

BoolSkeleton: Boolean Network Skeletonization via Homogeneous Pattern Reduction

逻辑综合与映射相关,适合作为 AiMap / iMap 方向的学术入口。

详情 →
J10 · TODAES
JournalCCF-B

AiDRC: Accelerating Detailed Routing by AI-Driven Design Rule Violation Prediction and Checking

聚焦物理实现后端的可学习加速,与 iRT / iDRC 等点工具形成「算法—工程—评测」闭环。

详情 →
J9 · TODAES
JournalCCF-B

AiLO: A Predictive Framework for Logic Optimization Using Multi-Scale Cross-Attention Transformer

逻辑综合与映射相关,适合作为 AiMap / iMap 方向的学术入口。

详情 →
J8 · TODAES
JournalCCF-B

iPO: Constant Liar Parameter Optimization for Placement with Representation and Transfer Learning

布局阶段的表示学习或参数迁移,可与 iPL 及增量优化流程结合验证。

详情 →