研究人员开发了一种具有历史感知的离线强化学习策略,以解决物理设计中的布线瓶颈,特别是针对复杂、密集布局。该新策略采用轻量级LSTM架构和附加特征来保留序列上下文,从而提高了各种密度和引导质量下的布线收敛性。当集成到现有路由器中时,它可将设计规则违规平均减少92%,并将运行时间缩短10%。 AI
影响 这项研究显著提高了芯片设计的效率,有可能加速硬件开发周期。
排序理由 该集群描述了一篇在arXiv上发表的研究论文,该论文详细介绍了一种针对特定技术问题的新方法。
在 Hugging Face Daily Papers 阅读 →
- Conservative Q-Learning for Offline Reinforcement Learning
- Drusus
- Hugging Face
- long short-term memory
- Offline Reinforcement Learning
- reinforcement learning
- arXiv
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →