NVIDIA（英伟达）

SCALE: Self-Supervised Constraint-Aware Layout GEneration for Local P&R DRV Fixing at Advanced Nodes

SCALE：用于先进节点局部布局与布线设计规则违规修复的自监督约束感知布局生成

Chia-Tung Ho, Haoyu Yang, Guanglei Zhou, Yoshi Nishi, Yaguang Li, Walker Turner, Cunxi Yu, Yiran Chen, Brucek Khailany

机构 * NVIDIA（英伟达） ； Duke University（杜克大学） 纠错

AI总结 针对先进节点局部P&R DRV修复难题，提出SCALE框架，通过自监督布局生成、利用自然语言规则约束和高温采样等方法，生成DRC注释布局违规对微调DRC-VLM，有效提升了最先进代理的修复解决率。

Comments 8 pages, 5 Figures, 6 Tables

Molt: A Scalable PyTorch-Native Training Framework for Agentic Reinforcement Learning

Molt：用于智能体强化学习的可扩展原生 PyTorch 训练框架

Jian Hu, Huiying Li, Hao Zhang, Binfeng Xu, Yifan Zhang, Shaokun Zhang, Hemil Desai, Michael Demoret, Pavlo Molchanov, Jan Kautz, Yi Dong

机构 * NVIDIA（英伟达） 纠错

AI总结 研究针对智能体强化学习中算法修改成本高的问题，提出原生 PyTorch 训练框架 Molt，其代码简洁，智能体是普通程序，通过异步循环训练策略，在全异步协议下性能与先进堆栈相当，且开源提供资源。

Comments tech report for Molt

Learning to Prepare Molecular Ground States with Transformer Models

使用Transformer模型学习制备分子基态

Alex Koziell-Pipe, Jasmine Brewer, Jem Guhit, Marwa H. Farag, Kripa Panchagnula, Gabriel Laude, Fabian Finger, Carlo Gaggioli, Ludmila Szulakowska, Oliver J. Backhouse, Christos Papalitsas, Jason G. Mustakis, Thomas Soini, David Munoz Ramo, Stephen Clark, Elica Kyoseva, Enrico Rinaldi

机构 * Quantinuum ； NVIDIA Corporation（NVIDIA公司） ； Chemical R&D（化学研发部） ； Center for Digital Innovation（数字创新中心） 纠错

AI总结 研究如何用Transformer模型制备分子基态，提出ADAPT-GQE框架，先以ADAPT-VQE生成参考电路训练模型，经强化学习提高电路生成精度，相比ADAPT-VQE大幅减少电路生成时间，在量子硬件上演示，为量子计算化学自动合成电路开辟道路。