AnalogXpert: Automating Analog Topology Synthesis by Incorporating Circuit Design Expertise into Large Language Models

模拟电路在现代电子系统中起着关键作用，自动化其设计已引起大量研究兴趣。其中一个主要挑战是拓扑综合，它决定了电路组件及其连接方式。最近的研究探讨了使用大型语言模型（LLM）进行拓扑综合。然而，这些研究解决的场景与实际应用并不十分契合。具体来说，现有的工作以模糊的设计要求作为输入并输出一个理想模型，但更实用的是详细结构要求和器件级模型。此外，当前的方法要么将拓扑综合表述为图生成或Python代码生成，而实际的拓扑设计是一个复杂的过程，需要广泛的设计知识。 在这项工作中，我们提出了AnalogXpert，这是一个基于LLM的代理，旨在通过将电路设计专业知识融入LLM来解决实际的拓扑综合问题。首先，我们将模拟拓扑表示为SPICE代码，并引入一个子电路库以减少设计空间，这与有经验的设计者做法相同。其次，我们通过使用链式思维（CoT）和上下文学习技术将问题分解为两个子任务（即模块选择和模块连接），以模仿实际的设计过程。第三，我们引入了一种校对策略，使LLM能够逐步纠正初始设计中的错误，类似于人类设计者反复检查和调整初始拓扑设计以确保准确性。最后，我们构建了一个高质量的基准测试集，包含真实数据（30个）和合成数据（2000个）。AnalogXpert在合成数据集上的成功率为40%，在真实数据集上的成功率为23%，明显优于GPT-4o（在合成数据集和真实数据集上均为3%）。

该论文试图解决模拟电路设计中的拓扑合成问题，特别是通过大型语言模型（LLM）实现自动化设计。与现有研究相比，它更关注实际应用需求，如详细的结构要求和设备级模型，而非理想化模型。这确实是一个新问题，因为它强调了在实践中更具挑战性的方面。

关键思路在于开发AnalogXpert，一种基于LLM的代理，通过将电路设计知识融入到大型语言模型中来解决实际的拓扑合成问题。具体来说，它通过SPICE代码表示模拟拓扑，并引入子电路库以减少设计空间；将问题分解为块选择和块连接两个子任务；并通过校对策略逐步纠正初始设计中的错误。这种方法不仅模仿了人类设计师的工作流程，还提高了设计的准确性和效率。

论文的亮点包括：1) 提出了一个创新的方法，即使用LLM结合电路设计专业知识进行复杂的模拟电路设计；2) 构建了一个高质量的基准测试集，包含30个真实数据和2000个合成数据；3) AnalogXpert在合成数据集上实现了40%的成功率，在真实数据集上实现了23%的成功率，显著优于GPT-4o的3%成功率；4) 论文强调了迭代校对过程的重要性，类似于人类设计师的做法；5) 虽然未明确提及，但未来可能会开源代码或提供更多的实验细节，值得期待进一步的研究和发展。

最近在这个领域中，相关的研究还包括：1) 利用深度学习进行模拟电路优化；2) 使用强化学习进行电路设计；3) 将图生成技术应用于电路拓扑合成。一些相关研究的论文标题有《Deep Learning for Analog Circuit Optimization》、《Reinforcement Learning for Automated Analog Design》和《Graph Generation Techniques in Circuit Topology Synthesis》。