- 资讯公开站Semiconductor Engineering
强化学习减少密集芯片版图布线违规（纽约大学）
Reinforcement Learning Cuts Routing Violations in Dense Chip Layouts (NYU)
摘要显示，纽约大学研究人员发表技术论文，提出一种基于LSTM的历史感知离线强化学习方法，用于密集芯片布局的详细布线。该方法旨在缓解现代路由器在密集条件下难以解决的持续违规问题，并应对设计规则复杂度上升带来的运行时瓶颈。
意义：将强化学习引入芯片布线，有望降低详细布线耗时并减少违规，对EDA工具与AI for EDA方向有参考价值。
- 资讯公开站Semiconductor Engineering
开放基准评估2.5D和3D IC的AI热模型（UTS、慕尼黑工大、上海科大）
Open Benchmark Evaluates AI Thermal Models for 2.5D and 3D ICs (UTS, TU Munich, ShanghaiTech)
摘要显示，悉尼科技大学、上海科技大学和慕尼黑工业大学的研究人员联合发表了一篇题为“IC-ThermBench: An Open, Progressive Benchmark for Generalizable 2.5D/3D-IC Thermal Learning”的技术论文。该基准结合了已有的3D-IC稳态、瞬态及工业封装任务，并新增了一个包含50,000个样本的2.5D chiplet数据集，旨在评估AI热模型的泛化能力。
意义：为AI驱动的2.5D/3D IC热分析提供标准化评估平台，有助于推动热建模方法的可复现性与泛化能力比较。