Eda
PulseAugur coverage of Eda — every cluster mentioning Eda across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI智能体通过RFChipAgent实现模拟/射频芯片设计的自动化 · 跟踪2个来源
研究人员开发了RFChipAgent，这是一个利用大型语言模型（LLMs）实现模拟/射频电路端到端设计自动化的新型多智能体系统。该系统集成了用于知识提取的检索增强生成子系统、用于拓扑和电路组装的专用智能体以及混合优化引擎。RFChipAgent旨在显著减轻模拟/射频设计中劳动密集型的特点，这对Wi-Fi 7和6G等新兴标准至关重要。
-
新的RAG方法通过功能单元增强EDA文档问答能力
研究人员开发了一种新的检索增强生成（RAG）方法，该方法提高了复杂技术文档（尤其是在电子设计自动化（EDA）领域）的问答能力。该方法将基本检索单元从孤立的块重新定义为“EDA功能单元”，将相关构件及其源块组合为超边。这种功能感知的组织方式，结合用于查询对齐的训练编码器和统一的重排器，显著增强了生成模型的事实选择能力。该方法在EDADocEval-QA数据集上表现出显著的改进，在ROUGE-L得分上分别比现有的Chunk RAG和基于图…
-
Tom's Hardware 提供免费 AI 芯片设计周访问权限
Tom's Hardware 将于 9 月 28 日至 10 月 2 日提供免费的 AI 芯片设计周内容访问权限，只需注册免费会员即可。本周内容包括对 OpenAI 硬件负责人 Richard Ho 的采访，他讨论了他们 AI 设计的推理 ASIC Jalapeño。内容还探讨了 AI 在 EDA 工具中的应用以及 AI 辅助芯片设计的未来。
-
Kaggle获胜者利用GPT5.4、Gemini3.1、ClaudeOpus4.6进行AI辅助编码
一位Kaggle竞赛获胜者的总结文章强调了AI辅助编码的重大转变，像GPT5.4、Gemini3.1和ClaudeOpus4.6等前沿模型现在在获胜策略中占据突出地位。作者详细介绍了个人工作流的演变，从手工编写的笔记本到利用AI工具进行代码生成和实验。这种新方法实现了快速迭代和压缩的时间表，使个人能够在AI的帮助下取得顶尖排名。
-
AI模型使用多模态数据对VR平衡状态进行分类
研究人员开发了一种受Mamba启发的卷积神经网络（MI-CNN）模型，用于在虚拟现实（VR）环境中对姿势状态进行分类。该模型利用包括运动学、肌电图（EMG）和皮肤电活动（EDA）信号在内的多模态数据，以高精度区分平衡和不平衡状态。使用SHapley Additive exPlanations（SHAP）的可解释性分析显示，运动学特征是检测不平衡的最有影响力的因素，并且即使在特征集减少的情况下，模型仍能保持性能。
-
新的(k)-SwordStamp方法增强了AI文本水印的鲁棒性
研究人员开发了一种名为(k)-SwordStamp的新方法，以提高AI生成文本中语义水印的鲁棒性。现有方法容易受到重排或改述文本的攻击，这些攻击可以在不改变含义的情况下移除水印。新的(k)-SwordStamp系统旨在更能抵抗这些结构性操作，与之前的k-SemStamp等方案相比，攻击成功率显著降低。
-
审查委员会为AI、Crucible迁移和EDA功能寻找测试人员
Review Board正在为其即将推出的与以人为本的AI、Crucible迁移和EDA/硬件审查相关的功能寻找早期访问测试人员。该平台正准备整合对这些领域支持，并为有兴趣测试Crucible迁移和EDA审查功能的用提供户了特定链接。
-
LLM 框架优化前缀加法器设计，减小电路面积
研究人员开发了 PrefixAgent，一个利用大型语言模型 (LLM) 优化前缀加法器设计的新颖框架。前缀加法器是算术电路中的关键组件。这种 LLM 驱动的方法将优化分解为骨干合成和结构精炼，利用函数调用与工具和 EDA 反馈进行交互。该框架在从 e-graphs 中提取的大量重写轨迹数据集上进行训练，增强了其优化能力和泛化能力。实验表明，与现有方法相比，PrefixAgent 生成的前缀加法器具有更小的面积，尤其是在较大的位宽下，…
-
StateTune 通过持久化内存增强 LLM 辅助的 EDA 流调优
研究人员开发了 StateTune，一种优化电子设计自动化 (EDA) 流的新颖方法。与先前将 LLM 视为外部建议者的做法不同，StateTune 将 LLM 集成到一个闭环、携带状态的过程中。该系统利用持久化优化内存，该内存会在每次评估时更新，并在候选生成和预算分配之间共享。StateTune 在六个基准模块上展示了卓越的性能，在超体积、最差负松弛、面积和功耗方面优于基线。
-
新的OmniRouting基准测试LLM在复杂PCB布线任务上的能力
研究人员推出OmniRouting，一个旨在测试大型语言模型（LLM）在印刷电路板（PCB）布线这一复杂领域中的空间推理能力的新基准。该基准包含超过1,600个工业级PCB设计和四个专注于几何、设计规则及电气功能约束的不同任务。初步评估表明，当前多模态LLM在PCB布线的路径规划、约束遵循和保持电气正确性方面存在显著局限性。
-
ChipAgents为芯片设计自动化中的AI获得融资
ChipAgents已获得融资，以推进其在电子设计自动化（EDA）领域的agentic AI工作。这一发展对芯片设计自动化领域具有重要意义，表明对人工智能驱动的复杂工程任务解决方案的兴趣和投资日益增长。
-
生物调谐眼镜：隐形生物反馈界面利用边缘AI自适应环境
研究人员正在开发生物调谐眼镜（Bio-Tuning Glasses），这是一个实验性概念，旨在构建一个隐形生物反馈界面，根据用户的生理状态来调整其环境。与通常通知用户健康指标的可穿戴设备不同，这款眼镜旨在微妙地干预和修改环境，例如调整视觉刺激，而无需用户直接交互。该系统采用三层AI架构，包括用于即时响应的设备端边缘AI、用于情境自适应的智能手机以及用于长期学习和个性化的云端AI。
-
经典机器学习在AI4Pain挑战赛中疼痛定位方面优于深度学习
研究人员对使用生理信号进行受试者无关的疼痛定位时，传统特征工程与深度学习进行了探索性比较分析。该研究使用了AI4Pain 2026挑战赛数据集，其中包含皮肤电活动、脉搏波、呼吸和外周血氧饱和度的数据。结果显示，一种经典方法——极端随机树——取得了0.539的最高宏F1分数，比深度学习模型高出7.4个百分点，其中EDA光谱特征是最重要的区分因子。一个值得注意的发现是，疼痛检测和定位准确率之间存在持续的26个点的差距，这表明自主神经通路在…
-
Moonshot AI的Kimi K3在48小时内完成芯片设计，令业界不安
Moonshot AI已使用其Kimi K3自主EDA流水线，在短短48小时内完成了完整的芯片设计流程。这项实验涵盖了从架构到布局的整个过程，使用了开源工具和45nm工艺库，引起了半导体行业的担忧。这一成就预示着芯片设计可能走向民主化，对现有的电子设计自动化（EDA）公司构成了挑战。
-
arXiv调查探讨LLM在自主芯片设计代理中的应用
arXiv上最近发布的一项调查探讨了大型语言模型（LLM）在革新前端芯片设计方面的潜力。该论文提出了一个未来愿景，即LLM可以将电子设计自动化（EDA）从处理单个任务转变为作为自主代理运行。然而，该调查目前缺乏经验性基准来验证这些提出的能力。
-
Google Research 发布 SensorFM，一款用于可穿戴健康数据的基础模型 · 已追踪 4 个来源
Google Research 推出了 SensorFM，一款用于可穿戴健康数据的大型基础模型。SensorFM 在来自五百万人的一万亿分钟以上的传感器数据上进行了预训练，学习了人类生理学的一种通用表示，可应用于 35 项不同的健康预测任务。该模型旨在超越单一用途的健康算法，提供一种更集成的方法来解读可穿戴设备数据，以获得个性化的健康见解，并可能作为个人健康代理的核心。
-
Synopsys 停产传统 EDA 软件，聚焦高价值产品
领先的 EDA 软件供应商 Synopsys 已通知十余家芯片制造商，部分传统软件产品将停产。此战略调整旨在将资源重新分配给其最高价值的产品。该公司的决定影响了半导体行业一直在使用的产品。
-
调查论文定义了用于VLSI设计的“电路基础模型”
一篇新的调查论文介绍了“电路基础模型”（CFM）的概念，这些模型是专为VLSI电路设计和电子设计自动化（EDA）而设计的AI模型。这些模型在大量未标记的电路数据上进行预训练，以学习内在属性，然后针对设计评估或功能验证等特定任务进行微调。该论文将现有的CFM分为用于预测任务的基于编码器的方法和使用LLM进行生成任务的基于解码器的方法，涵盖了主要自2022年以来发表的130多篇论文。
-
新泽西州法案将AI数据中心税收抵免转用于降低电力成本
新泽西州的一项法案A5165已获得州议会州和地方政府委员会的批准。这项被称为“结束数据中心税收抵免法案”的立法旨在将最初分配给AI数据中心开发的未使用的税收抵免转用于其他用途。这些资金将用于旨在降低电力成本的计划。
-
新方法利用基础模型实现可穿戴设备压力检测个性化
研究人员开发了一种新颖的方法，利用基础模型和检索增强技术来实现压力检测模型的个性化。该方法通过利用用户的历史数据创建个性化嵌入，解决了生理反应的个体间差异性挑战。该方法在不要求用户标记数据的情况下，实现了与监督微调相当的性能，并在 WESAD 数据集上展示了准确率和 F1 分数的显著提高。它还显示出在用户历史数据有限情况下的鲁棒性以及跨数据集个性化的潜力。