Unsupervised Graph Neural Network Framework for Balanced Multipatterning in Advanced Electronic Design Automation Layouts
The American University in Cairo(埃及亚历山大大学)
本文提出了一种基于无监督图神经网络的框架,用于解决电子设计自动化中的多图案化问题,通过图着色方法优化布局分解,实现特征违规最小化和掩模平衡。
2025-11-20 cs.AR cs.LG
A Survey and Perspective on Artificial Intelligence for Security-Aware Electronic Design Automation
University of Florida(佛罗里达大学);Worcester Polytechnic Institute(伍斯特理工学院)
人工智能(AI)和机器学习(ML)技术已经越来越多地用于若干领域以提高性能和自动化水平。近年来,由于高性能计算的进步和数据规模的不断增加,这种使用呈指数级增长。其中一个领域是硬件设计;特别是数字和模拟集成电路(IC)的设计,其中AI/ ML技术已被广泛用于解决不断增加的设计复杂性,积极的上市时间以及越来越多的无处不在的互联设备(IoT)。然而,与IC设计相关的安全问题和问题一直被高度忽视。在本文中,我们总结了最先进的AL/ML的电路设计/优化,安全和工程挑战,在安全意识的CAD/EDA的研究,以及未来的研究方向和需要使用AI/ML的安全意识的电路设计。
2022-04-21 cs.AI cs.CR cs.LG
Design Automation for Fast, Lightweight, and Effective Deep Learning Models: A Survey
Aalborg University(奥尔堡大学);University of New South Wales(新南威尔士大学)
深度学习技术已经在广泛的任务中表现出显著的有效性,并且深度学习具有推进多种应用的潜力,包括在边缘计算中,其中在边缘设备上部署深度模型以实现即时数据处理和响应。一个关键的挑战是,虽然深度模型的应用通常会产生大量的内存和计算成本,但边缘设备通常只提供非常有限的存储和计算能力,这些能力在设备之间可能会有很大的差异。这些特征使得很难构建深度学习解决方案,在满足其限制的同时释放边缘设备的潜力。解决这一挑战的一个有前途的方法是自动设计有效的深度学习模型,这些模型是轻量级的,只需要很少的存储,并且只产生很低的计算开销。本调查全面涵盖了针对边缘计算的深度学习模型的设计自动化技术研究。它概述和比较了常用的关键指标,这些指标通常用于量化模型在有效性,亮度和计算成本方面的熟练程度。然后,调查继续涵盖三个类别的最先进的深度模型设计自动化技术:自动神经架构搜索,自动模型压缩,联合自动设计和压缩。最后,调查涵盖了开放的问题和未来的研究方向。
2022-08-22 cs.AI cs.LG cs.SE
A Survey of Reinforcement Learning for Optimization in Automation
本文综述了强化学习在制造、能源系统和机器人等自动化优化领域的应用现状、方法优势与局限,并指出了样本效率、安全鲁棒性等核心挑战及未来研究方向。
2025-02-13 cs.AI cs.LG cs.NE
Document Automation Architectures: Updated Survey in Light of Large Language Models
Wells Fargo(富国银行)
该综述系统梳理文档自动化的学术架构与技术,明确其定义与特征,并结合生成式 AI 和 LLM 进展指出未来研究方向。
2023-08-18 cs.CL cs.LG
Improving Semiconductor Device Modeling for Electronic Design Automation by Machine Learning Techniques
Data61, CSIRO(Data61,澳大利亚联邦科学与工业研究组织);CSIRO Manufacturing(澳大利亚联邦科学与工业研究组织制造分部);Academy for Advanced Interdisciplinary Studies, Peking University(北京大学前沿交叉学科研究院);Quantum Motion(量子运动公司)
本文提出一种基于变分自编码器的自增强策略,利用少量实验数据改进ML器件建模,在氮化镓器件欧姆电阻预测中实现平均绝对误差降低70%,且不依赖TCAD工具。
2023-04-05 cs.AI cs.LG
A Comprehensive Survey of Logging in Software: From Logging Statements Automation to Log Mining and Analysis
University of Waterloo(滑铁卢大学)
日志被广泛用于记录软件系统的运行时信息,例如事件的时间戳和重要性,日志源的唯一ID,以及任务执行的部分状态。日志的丰富信息使系统开发人员(和操作员)能够监控其系统的运行时行为,并进一步跟踪系统问题,并对生产环境中的日志数据进行分析。然而,先前关于利用日志的研究是分散的,这限制了该领域的新研究人员快速获得速度的能力,并阻碍了当前活跃的研究人员进一步推进该领域。因此,本文调查和提供了一个系统的文献综述和映射的当代日志记录的做法和日志语句的挖掘和监测技术及其应用,如在系统故障检测和诊断。我们研究了大量出现在顶级同行评审场所的会议和期刊论文。此外,我们还绘制了正在进行的研究的高层次趋势,并将出版物进行了细分。最后,根据我们在本次调查中的整体观察,我们提供了一系列挑战和机遇,这些挑战和机遇将引导学术界和工业界的研究人员推动该领域的发展。
2022-01-01 cs.LG cs.SE
When Bioprocess Engineering Meets Machine Learning: A Survey from the Perspective of Automated Bioprocess Development
Technische Universität Berlin(柏林工业大学)
机器学习(ML)在许多工程领域变得越来越重要,但在生物过程工程中尚未发挥其全部潜力。虽然实验室自动化水平的提高加快了实验的速度,但实验规划和数据建模仍然在很大程度上依赖于人为干预。ML可以被视为一组工具,有助于整个实验周期的自动化,包括模型构建和实际规划,从而使人类专家能够专注于更苛刻和更重要的认知任务。首先,概率规划用于自主构建预测模型。其次,机器学习通过计划实验来测试假设,并进行调查以收集基于模型预测的不确定性的模型选择的信息数据,从而自动评估替代决策。这篇综述提供了一个全面的概述ML为基础的自动化在生物过程开发。一方面,生物技术和生物工程界应该意识到现有ML解决方案在生物技术和生物制药领域应用的潜力,最重要的是,其局限性。另一方面,必须确定缺失的环节,以便在生物社区有价值的解决方案中轻松实施ML和人工智能(AI)工具。
2022-11-01 cs.LG
How Much Automation Does a Data Scientist Want?
IBM Research(IBM研究院)
数据科学和机器学习(DS/ML)是许多人工智能(AI)应用的最新进展的核心。人工智能领域有一个活跃的研究方向,即\autoai,旨在开发用于自动化端到端DS/ML映射的系统。然而,DS和ML工作人员真的想要自动化他们的DS/ML工作流程吗?为了回答这个问题,我们首先通过回顾研究文献和市场报告,合成了一个以人为中心的AutoML框架,包括6个用户角色/人物角色,10个阶段和43个子任务,5个自动化级别和5种解释类型。其次,我们使用的框架来指导设计的在线调查研究与217 DS/ML工作人员谁有不同程度的经验,不同的用户角色“匹配”到我们的6个角色/人物。我们发现,不同的用户角色参与了生命周期的不同阶段--但不是所有阶段。他们所期望的自动化水平和AutoML的解释类型也因DS/ML阶段和用户角色而异。根据调查结果,我们认为没有理由从用户需求的端到端DS/ML生命周期的完全自动化。我们为用户控制的DS/ML自动化提出了新的下一步。
2021-01-07 cs.HC cs.LG
Efficient Automation of Neural Network Design: A Survey on Differentiable Neural Architecture Search
IBISC(IBISC实验室);Univ Evry(埃夫里大学);Université Paris-Saclay(巴黎萨克雷大学);Massachusetts Institute of Technology(麻省理工学院)
本文是聚焦可微神经网络架构搜索(DNAS)的综述,梳理该领域最新进展,提出基于挑战的新分类法,分析其成果与对NAS领域的影响,并给出未来研究方向。
2023-05-01 cs.AI cs.CV cs.LG
A Survey on Neural Architecture Search Based on Reinforcement Learning
Tianjin University of Science and Technology(天津科技大学)
本文综述了基于强化学习的神经架构搜索方法,梳理其整体发展、改进与变体,重点讨论面向复杂结构和资源受限环境的自动网络结构搜索。
2024-09-30 cs.AI cs.LG
Large Language Models (LLMs) for Electronic Design Automation (EDA)
Technical University of Munich(慕尼黑技术大学);University of Stuttgart(斯图加特大学);New York University(纽约大学);University of Siegen(锡根大学)
本文综述了大语言模型在电子设计自动化中的应用,通过三个案例展示其在硬件设计、测试与优化方面的能力,并探讨了局限性与未来方向。
2025-08-27 cs.AI cs.AR cs.LG
Report for NSF Workshop on AI for Electronic Design Automation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Georgia Institute of Technology(佐治亚理工学院);University of California at Los Angeles(加州大学洛杉矶分校);Cadence Design Systems, Inc.(Cadence设计系统公司);Stanford University(斯坦福大学);University of Texas at Austin(得克萨斯大学奥斯汀分校);IBM
报告总结了NSF人工智能在电子设计自动化领域研讨会的讨论和建议,探讨了AI技术如何加速EDA设计流程,提出加强AI与EDA合作、投资基础AI研究等核心贡献。
2026-04-24 cs.AI cs.AR cs.LG
Medical Applications of Graph Convolutional Networks Using Electronic Health Records: A Survey
Lehigh University(利哈伊大学);Plaksha University(普拉卡莎大学);Hackensack Meridian School of Medicine(哈肯萨克子午线医学院);New York College of Podiatric Medicine at Touro University(托罗大学附属纽约足医学院)
本文综述GCN在基于EHR的医疗机器学习中的应用,梳理关键医学领域、预测任务、基准数据集与架构模式,并指出其潜力及未来挑战。
2025-02-13 cs.LG
Random Sampling in an Age of Automation: Minimizing Expenditures through Balanced Collection and Annotation
UC Berkeley(加州大学伯克利分校)
自动收集和注释的方法正在改变抽样调查的成本结构,以供广泛应用。图像或音频记录形式的数字样本可以快速收集,并由计算机程序或人群工作人员进行注释。我们考虑在这些新的成本结构下估计总体均值的问题,并提出了一种混合偏移抽样设计。该设计利用两个注释器:一个是准确但昂贵的主注释器(例如,人类专家),一个是有噪声但便宜的辅助注释器(例如,计算机程序),以便最小化总采样开销。我们的分析提供了必要的条件,混合偏移设计,并指定最佳的样本量为两个注释。从珊瑚礁调查计划的数据模拟表明,混合偏移设计优于几个替代抽样设计。特别是,与珊瑚生态学家目前部署的常规设计相比,采样费用减少了50%。
2015-08-21 cs.CY cs.LG stat.ME
Compliance Generation for Privacy Documents under GDPR: A Roadmap for Implementing Automation and Machine Learning
HEC Paris(巴黎高等商学院);DATA IA Institute(数据与人工智能研究院);Smart Law Hub(智能法律中心)
如今,大多数著名的研究都是通过以消费者为中心的方法和公共监管方法来解决遵守数据保护法律的问题。我们通过Privatech项目改变了这一观点,将重点放在公司和律师事务所作为合规代理人上。为了遵守数据保护法律,数据处理者必须实施问责措施,以评估和记录与隐私文档和隐私实践相关的合规性。在本文中,我们一方面调查了当前对GDPR自动化的研究,另一方面调查了企业在遵守GDPR方面面临的运营挑战,这些挑战可能会受益于新形式的自动化。我们试图弥合差距。我们通过识别合规问题,将其分解为可通过机器学习和自动化解决的任务,并提供Privatech项目相关发展的说明,为合规评估和生成提供路线图。
2020-12-23 cs.AI cs.LG
A Deep Learning Framework for Verilog Autocompletion Towards Design and Verification Automation
KU Leuven(鲁汶大学);Interuniversity MicroElectronics Centre (IMEC)(校际微电子中心(IMEC))
本文提出融合通用编程语言预训练模型并在 Verilog 数据集上微调的深度学习框架,用于 Verilog 代码自动补全,实验显示其多项指标显著优于从零训练模型。
2023-06-07 cs.LG cs.SE
Graph Computation Meets Circuit Algebra: A Task-Aligned Analysis of Graph Neural Networks for Electronic Design Automation
Independent Researcher(独立研究者)
本文探讨了图神经网络在电子设计自动化中的应用,通过任务对齐分析,揭示了不同任务与图神经网络架构的匹配问题,指出当前方法的局限性和未来研究方向。
2026-05-08 cs.AI cs.AR cs.LG
Cross-Modality Program Representation Learning for Electronic Design Automation with High-Level Synthesis
Computer Science UCLA(加州大学洛杉矶分校计算机科学系)
提出ProgSG模型,深度融合源代码序列与CDFG图模态,结合编译器数据流分析预训练,显著提升HLS设计性能预测精度与设计空间探索效率。
2024-07-17 cs.AI cs.AR cs.LG
ProgSG: Cross-Modality Representation Learning for Programs in Electronic Design Automation
针对 HLS 程序需融合代码与 CDFG 的问题,本文提出 ProgSG,利用编译器提供的细粒度对齐实现序列与图模态深度交互,并通过数据流分析任务预训练,在两个基准上优于基线。
2023-06-02 cs.LG cs.PL
A Survey on Neural Architecture Search
IBM Research AI(IBM研究院人工智能部门);IBM T.J. Watson Research Center(IBM托马斯·J·沃森研究中心)
对机器学习和深度学习自动化的兴趣日益增长,不可避免地导致了各种各样的神经架构搜索自动化方法的发展。网络架构的选择已被证明是至关重要的,深度学习的许多进步都源于它的即时改进。然而,深度学习技术是计算密集型的,并且它们的应用需要高水平的领域知识。因此,即使是这个过程的部分自动化也有助于使研究人员和实践者更容易获得深度学习。通过这次调查,我们提供了一个形式主义,统一和分类的景观现有的方法,以及详细的分析,比较和对比不同的方法。我们实现这一点,通过全面讨论的常用架构搜索空间和架构优化算法的基础上的原则,强化学习和进化算法,以及方法,将代理和一次性模型。此外,我们解决了新的研究方向,其中包括约束和多目标架构搜索以及自动数据增强,优化和激活函数搜索。
2019-06-18 cs.CV cs.LG cs.NE
Deep EHR: A Survey of Recent Advances in Deep Learning Techniques for Electronic Health Record (EHR) Analysis
University of Florida(佛罗里达大学)
在过去的十年中,电子健康记录(EHR)中存储的数字信息量呈爆炸式增长。虽然主要设计用于归档患者临床信息和管理医疗保健任务,但许多研究人员发现这些记录可用于各种临床信息学任务。在同一时期,机器学习社区已经看到了深度学习技术的广泛进步,这些技术也已成功应用于大量的EHR数据。在本文中,我们回顾了这些深度EHR系统,检查架构,技术方面和临床应用。我们还确定了当前技术的缺点,并讨论了未来基于EHR的深度学习研究的途径。
2018-02-24 cs.LG stat.ML
A Comprehensive Survey of Electronic Health Record Modeling: From Deep Learning Approaches to Large Language Models
Information Sciences and Technology, The Pennsylvania State University(信息科学与技术系,宾夕法尼亚州立大学)
本文系统综述了深度学习与大语言模型在电子健康记录建模中的最新进展,提出涵盖数据、架构、学习策略、多模态和LLM系统的统一分类体系,并指出基础模型与临床智能体等趋势及开放挑战。
2025-07-17 cs.AI cs.CL cs.LG