Modelos de machine learning tem sido usados para melhorar a qualidade de diferentes etapas da síntese física de circuitos integrados, tais como análise de timing, síntese da árvore de relógio e roteamento. no entanto, poucos trabalhos tem abordado o problema de seleção de algoritmos durante a síntese física, o qual pode reduzir drasticamente o esforço computacional de algumas etapas. este trabalho propõe um framework para seleção de algoritmos usando redes neurais convolucionais profundas. para extrair features, foram utilizadas imagens de posicionamentos de circuitos simulando três etapas diferentes do fluxo de síntese física. após, os modelos foram treinados aplicando-se aprendizado por transferência, usando pesos pré-treinados da arquitetura squeezenet. o uso de aprendizado por transferência reduz significativamente o tempo de treinamento e a quantidade de dados necessários, mesmo quando a rede tenha sido pré-treinada para uma aplicação diferente. uma extensa análise experimental de modelos de machine learning foi realizada, provendo detalhes sobre o de como os parâmetros do modelo foram escolhidos, incluindo a definição da arquitetura da rede neural convolucional, o tamanho das imagens, o fator de aprendizado e o número de épocas. o framework proposto foi avaliado treinando-se um modelo para selecionar entre diferentes algoritmos de legalização de acordo com duas métricas, deslocamento de células e variação do comprimento de interconexões, e considerando três cenários distintos de movimentação de células. os modelos treinados atingiram f-score entre 0,90 e 1,00 para deslocamento de células e entre 0,81 e 0,97 para comprimento de interconexões, demonstrando precisão mesmo na presença de dados desbalanceados. os modelos treinados também foram superiores a um modelo não convolucional para ambas métricas consideradas. os modelos convolucionais treinados foram utilizados para construir uma técnica para seleção de algoritmo de legalização. quando integrado a um fluxo de síntese física, o seletor de algoritmo proposto atingiu o melhor resultado na maioria dos circuitos testados, sendo melhor que qualquer algoritmo, individualmente. mesmo quando o seletor proposto não atinge o melhor resultado, seu resultado ainda é apenas 7% pior, no máximo, mostrando que ele pode ser utilizado sem comprometer a qualidade do fluxo de síntese física. finalmente, observa-se que o uso do modelo de machine learning proposto acelerou o processo de seleção de algoritmos em até 10x quando comparado a executar os algoritmos separadamente.