AnalogMaster:基于大语言模型的从电路图像到版图的自动化模拟集成电路设计框架
《Expert Systems with Applications》:AnalogMaster: A Large Language Model-Based Framework for Automated Analog IC Design from Circuit Images to Layout
【字体:
大
中
小
】
时间:2026年08月28日
来源:Expert Systems with Applications 9.4
编辑推荐:
•研究亮点1:提出了AnalogMaster,一个基于LLM的跨阶段模拟IC设计自动化框架,包括电路图像到网表转换、尺寸调整、布局和布线。•研究亮点2:引入了联合推理机制,以增强从复杂电路图像中提取网表的能力。•研究亮点3:设计了一个参数搜索智能体,用于自动压缩器件参数空间,
•研究亮点1:提出了AnalogMaster,一个基于LLM的跨阶段模拟IC设计自动化框架,包括电路图像到网表转换、尺寸调整、布局和布线。•研究亮点2:引入了联合推理机制,以增强从复杂电路图像中提取网表的能力。•研究亮点3:设计了一个参数搜索智能体,用于自动压缩器件参数空间,以便用于下游物理设计。•研究亮点4:在包含20个电路的基准测试中展示了跨多个MLLMs的最先进性能。
**引言**
大型语言模型(LLMs)的快速进步在自然语言处理和通用代码生成方面取得了重大突破(Jin et al., 2025)。受这些成功的启发,近期研究开始探索LLMs在电子设计自动化(EDA)中的应用。得益于硬件描述语言(HDLs)中的高级抽象以及大规模高质量开源数据集的可用性,基于LLM的方法在数字电路设计方面取得了显著进展。代表性工作包括:(1)HDL代码生成与基准评估(Liu, Pinckney, Khailany, Ren, 2023b; Liu, Fang, Lu, Wang, Zhang, Zhang, Xie, 2024c; Lu, Liu, Zhang, Xie, 2024; Thakur, Ahmad, Pearce, Tan, Dolan-Gavitt, Karri, Garg, 2024; Thakur, Blocklove, Pearce, Tan, Garg, & Karri);(2)自动化缺陷检测、修复以及测试平台/脚本合成(Bhandari, Knechtel, Narayanaswamy, Garg, & Karri; Liu, Ene, Kirby, Cheng, Pinckney, Liang, Alben, Anand, Banerjee, Bayraktaroglu, et al.; Qiu, Zhang, Drechsler, Schlichtmann, Li, 2024)。相比之下,自动化模拟集成电路(IC)设计面临根本不同的挑战。增益、带宽、功耗和噪声等关键性能指标表现出强非线性依赖性和复杂的交叉耦合效应。这些错综复杂的相互依赖关系贯穿于整个设计流程——涵盖网表生成、器件尺寸调整、布局和布线——使得每个阶段对其他阶段所做的决策高度敏感。因此,即便是单个电路拓扑结构也必须精心调整以满足多样化的特定应用规范,这既需要深入的领域知识,也需要跨所有阶段的全局协同优化。孤立地调整任何单个步骤都是不够的;而且,随着电路复杂度的增加,跨阶段约束的组合爆炸使得手动逐阶段优化变得极其耗时和费力。这种对人工专业知识的依赖不仅限制了可扩展性,也凸显了向更加自动化的模拟IC设计方法迈进的难度——以及日益增长的需求。
模拟IC设计中的网表通常由工程师使用Virtuoso等商业平台交互式构建。近期,若干研究探讨了利用基于学习的方法生成网表。AnalogCoder(Lai et al., 2025)提出了一种无需训练的LLM智能体,通过中间Python代码将自然语言规范转换为网表;而SpicePilot(Vungarala, Alam, Ghosh, & Angizi, 2024)则利用领域知识提示来迭代引导PySpice/SPICE网表合成。与数字IC设计相比,模拟IC设计缺乏大规模、结构良好的数据集;相反,大量模拟设计知识嵌入在原理图之中。因此,直接从电路原理图中提取网表对于推进LLMs在模拟IC EDA中的应用至关重要。此外,通过通用编程语言表示电路结构会产生大量的令牌开销和更高的语法错误率(与原生SPICE格式相比),从而降低生成准确性并使下游设计阶段复杂化。即便实现了准确的网表提取,要实现高性能模拟IC仍需精确的器件尺寸调整——而这一领域目前的自动化仍与拓扑综合基本解耦。在器件尺寸调整领域,(de Azevedo, Correia Louren?o, & Ferreira Martins, 2025)采用扩散模型解决器件尺寸调整的反问题,能够高效生成高质量的初始尺寸方案,缓解传统方法的缺陷,并大幅降低仿真开销。(Somayaji, Hu, & Li, 2021)引入了一种优先级强化学习(RL)框架,结合非均匀优先经验回放、嵌入设计知识的双阶段评估网络以及轨迹引导的局部探索。AmpAgent(Liu et al., 2024a)进一步采用多智能体协作架构,整合文献挖掘、数学推理和混合优化(ABC/TuRBO)以设计多级放大器。尽管这些方法在器件尺寸调整方面展示了令人瞩目的成果,但它们依赖于手动指定的电路拓扑或初始网表,并未扩展到基于优化参数的布局和布线。因此,它们对整体电路性能和物理可行性的影响仍难以评估。
在模拟IC布局方面,(Ma, Xiao, Tam, & Young, 2010)提出了一种基于模拟退火(SA)的框架,结合序列对和基于中心的角块列表来处理对称性、中心对称和一般布局约束。(Xu, Li, Xu, Sun, & Pan, 2017)提出了一种面向高性能模拟IC的层次化解析布局技术,与常规方法和人工设计相比,关键网络线长和布局面积均实现了显著降低。然而,这些方法需要人工提供的网表作为输入,且未进行布局后的布线,从而未对布线可行性和布局后的电路性能进行验证。在布线领域,(Zhang et al., 2025b)介绍了一种符合设计规则的双向A*算法,结合注意力增强的RL框架进行轨道分配,提升了布线效率。(Zhang, Liu, Yin, Xu, & Jia, 2025c)提出了一种引脚访问规划驱动的匹配布线方法用于模拟IC,增强了布线对称性和布局性能。PARoute2(Xu et al., 2025)利用机器学习克服传统方法的局限性。通过整合基于3DGNN的性能预测器和基于3DGRU的布线引导生成器,PARoute2生成非均匀布线引导以优化布局后的性能指标。然而,这些技术均假设在给定网表和预先计算的布局下运行,因此并不构成从规范到物理实现的端到端解决方案。
综上所述,现有研究主要将模拟IC设计分解为孤立的子任务,如网表生成、尺寸调整、布局和布线,然后独立优化每个组件。尽管这些方法取得了有意义的技术进步,但它们忽视了模拟设计流程中各阶段之间强相互依赖关系,从而模糊了局部设计决策如何传播至全局性能和物理可行性的问题。如表1所示,很少有以前的工作实现了涵盖电路图像解读、参数化网表合成、性能优化以及布局和布线的端到端自动化。这种碎片化造成了一个关键差距,既限制了当前方法的实际应用性,也阻碍了LLM能力在模拟EDA中的系统评估。为了弥合这一差距并充分利用LLMs在整个模拟设计生命周期中的潜力,我们提出了AnalogMaster,一个可扩展的基于LLM的跨阶段模拟IC自动化框架。基于标准的模拟IC设计流程,该结构化工作流利用LLMs进行联合推理以实现图像到网表的转换和参数搜索空间压缩。这些LLM赋能的模块与稳健的常规优化算法相结合,从而实现从电路图像到物理布局的跨阶段流水线。
我们的主要贡献如下:
1. 我们提出了AnalogMaster,一个可扩展的基于LLM的框架,能够实现模拟IC设计的跨阶段自动化,包括电路图像到网表转换、尺寸调整、布局和布线。本工作建立了将LLM集成到模拟IC设计流程中的实用且可扩展的框架。
2. 我们通过引入联合推理机制解决了电路图像直接转换为SPICE网表时的高错误率问题,该机制通过协同整合从电路图像中派生的多维度推理线索,大幅提高了模型从复杂电路原理图中提取网表的准确性。
3. 我们开发了一个参数搜索智能体,有效压缩了视觉提取网表的器件参数搜索空间,解决了仅有拓扑的网表无法直接用于布局和布线的局限性。与依赖手动定义参数范围的传统方法相比,所提出的方法更具通用性和适应性。
4. 实验结果表明,AnalogMaster框架在包含20个具有不同难度级别的代表性电路图像的基准测试中,跨多个MLLMs始终取得出色的性能。特别是,Gemini3.1 Pro在Pass@1上达到了91.0%的成功率,在Pass@5上达到了96.6%,验证了所提出框架的有效性和鲁棒性。
**章节片段**
**多模态大型语言模型与智能体**
多模态大型语言模型(MLLMs)在大量通用的图像和文本语料库上进行预训练,通过对齐的令牌表示实现强大的跨模态泛化能力:给定图像 $x_{\text{img}}$ 和文本序列 $x_{\text{text}}$,它们构建联合上下文 $Z=[E_{\text{text}},E_{\text{img}}]$ 用于自回归解码。该架构支持上下文学习(Min, Lewis, Zettlemoyer, & Hajishirzi, 2022),使模型能够从少样本示例中推断任务意图,而无需参数更新。
**方法概览**
与大多数数字IC设计中采用的高度自动化系统不同,模拟IC设计的抽象层次较低,标准化模块单元数量有限,且设计流程中各阶段之间存在强耦合相关性。因此,仅通过顺序脚本流程就难以构建跨阶段设计系统。我们提出了AnalogMaster,一个跨阶段框架,能够自动化从电路图像输入到物理布局的模拟IC设计流程。
**数据集**
我们构建了电路元件检测(CED)数据集,一个从多个公共资源中精心汇集的综合集合。具体而言,原始数据集由来自(Circuit, 2022)的3,334张图像、来自(Un, 2025)的1,613张图像和来自(anotnio, 2024)的734张图像组成,总计5,681张原始图像。我们剔除了代表实际应用中不会遇到的无关上下文的样本,从而确保数据集能够准确反映真实的……
**结论**
本文提出了AnalogMaster,一种新颖的LLM驱动的工作流,用于模拟IC设计的跨阶段自动化。该框架将LLM模块与经典优化算法相结合,通过联合推理机制从电路图像中准确提取结构完整的网表。为支持下游物理设计,随后引入一个参数搜索智能体,将孤立的网表转换为适合模拟设计工作流的参数化表示……
**CRediT作者贡献声明**
秦先荣:调查、撰写—初稿、方法论。
张勇:撰写—初稿、验证。
胡莹:形式分析、数据管理。
苏涛:可视化、数据管理。
毕昭日:撰写—审阅与编辑。
徐宁:项目管理、资金获取、资源。
贾博文:概念化、撰写—审阅与编辑、资金获取、监督。
**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系,这些关系可能被认为影响了本文所报告的工作。
秦先荣 | 张勇 | 胡莹 | 苏涛 | 毕昭日 | 徐宁 | 贾博文