AI 硬件与加速器
突破级
有讲解视频
收录解读
RF 电路自动化长期受限于一个现实问题：很多方法能做拓扑选择和参数优化，但到 manufacturable layout 就断掉了。组件模型过于简化、routing 能力不足，使得 AI 结果很难真正落到 GDSII。
这篇论文提出一个 ML-driven RF physical synthesis framework，从 circuit netlist 出发，结合大规模 neural inductor model、P-cell 优化，以及带频率相关 EM spacing 规则的 placement and routing，引导流程直接产出 DRC-aware 的 GDSII layout。它把 EM-aware component synthesis 和 physical implementation 真正接上了。
这对本仓库的新范围是很关键的，因为它不是一般的 AI-for-EDA 局部预测，而是更接近真实 physical design automation。对 `电路设计与仿真` 来说，它提供了从 netlist 到 layout 的可复用路径，也把多物理约束更严肃地带回到自动化流程。
它还不是更高一级，因为问题仍集中在 RF circuits 这一子领域，尤其受限于 inductor-centric component modeling，外溢到更广的 mixed-signal/digital 设计空间还需要更多证据。