Standard Cell Library Design and Optimization Methodology for ASAP7 PDK
标准单元库是现代专用集成电路设计中整个后端设计和优化流程的基础。在7nm技术节点及以后,标准单元库设计和优化由于极其复杂的设计约束而变得越来越困难,如ASAP7工艺设计工具包(PDK)中所述。值得注意的复杂性包括由于FinFET而导致的分立晶体管尺寸、来自光刻的复杂设计规则以及来自现代标准单元架构的限制性布局空间。本文提出的设计方法可以使用ASAP7 PDK进行高效、高质量的标准单元库设计和优化。关键技术包括用于单元时序优化的详尽晶体管尺寸设计、具有广义欧拉路径的晶体管布局以及用于库级探索的后端设计原型。
2018-07-30 cs.AR
ALIGN: A System for Automating Analog Layout
University of Minnesota(明尼苏达大学);Texas A&M University(德克萨斯农工大学);Intel Labs(英特尔实验室)
ALIGN通过自动布局生成技术,为模拟电路提供开源解决方案,支持多种电路类型布局生成。
2020-08-24 cs.AR
Automated SAR ADC Sizing Using Analytical Equations
本文提出面向 SAR ADC 的全自动尺寸设计方法,通过系统级与局部双重优化及依赖图框架,从性能规范解析生成晶体管参数,并在两个案例中实现高 SNDR、低功耗且满足全部约束。
2025-05-14 cs.AR eess.SP
LLM-based AI Agent for Sizing of Analog and Mixed Signal Circuit
School of Engineering The University of Edinburgh Edinburgh, UK(工程学院 皇家爱丁堡大学 英国爱丁堡)
针对模拟与混合信号电路晶体管尺寸设计依赖人工、现有机器学习方法迭代多等问题,提出集成仿真工具与数据分析、结合提示工程的LLM智能体,在7种基础电路和运算放大器上验证了优化效果,最高成功率达60%。
2025-04-14 cs.AR cs.LG
AnalogMaster: Large Language Model-based Automated Analog IC Design Framework from Image to Layout
School of Information Engineering, Wuhan University of Technology(武汉理工大学信息工程学院);State Key Laboratory of Integrated Circuits and Systems, Fudan University(复旦大学集成电路与系统全国重点实验室)
本文提出AnalogMaster框架,利用大语言模型实现模拟集成电路设计的端到端自动化,通过统一流程完成电路图像到网表生成、参数优化、布局和布线,验证了其有效性与鲁棒性。
2026-04-22 cs.AR
VLM-CAD: VLM-Optimized Collaborative Agent Design Workflow for Analog Circuit Sizing
Hangzhou Dianzi University(杭州电子科技大学);SCBC, Guangdong University of Foreign Studies(广东外语外贸大学);University of Cambridge(剑桥大学)
本文提出VLM-CAD流程,通过神经符号结构解析模块和ExTuRBO方法提升多模态推理的鲁棒性和可解释性,实验表明其在模拟电路设计中具有高准确性和低功耗。
2026-09-18 cs.AI cs.AR cs.MA
EEsizer: LLM-Based AI Agent for Sizing of Analog and Mixed Signal Circuit
The University of Edinburgh(爱丁堡大学);The School of Engineering(工程学院);Institute for Integrated Micro and Nano Systems(集成微纳系统研究所)
EEsizer是一种基于LLM的AI代理,通过整合大语言模型与电路仿真器和自定义数据分析功能,实现了模拟和混合信号电路尺寸设计的自动化,展示了在先进节点上的适应性和鲁棒性。
2025-12-22 cs.AR cs.LG
Row-Based Layout Synthesis for Analog Circuits Using Height-Quantized Primitives
University of Minnesota(明尼苏达大学);Indian Institute of Technology, Madras(马德拉斯印度理工学院)
提出一种量化行高布局综合方法,通过将模拟构建块映射到量化高度行,优化行高结构,在FinFET等先进节点中减少仿真与硅片间的性能差距,最多降低68.5%的性能偏差并节省面积。
2026-06-23 cs.AR
AnaFlow: Agentic LLM-based Workflow for Reasoning-Driven Explainable and Sample-Efficient Analog Circuit Sizing
AnaFlow通过基于代理的LLM工作流实现高效、可解释的模拟电路尺寸设计,利用人类可理解的推理和自适应仿真策略,提升设计效率和透明度。
2025-11-05 cs.AI cs.AR cs.LG
Multi-Objective Optimization for Common-Centroid Placement of Analog Transistors
针对模拟电路中工艺变化问题,提出基于多目标优化的统一框架处理共质心(CC)布局约束,探索更多拓扑,布局后仿真性能优于现有技术。
2024-06-30 cs.AR
Multi-Placement Structures for Fast and Optimized Placement in Analog Circuit Synthesis
本文提出了多布局结构的新思想,用于模拟电路综合中的快速优化布局实例化。对于特定的电路拓扑,这些结构只需要生成一次。当在合成中使用时,这些预生成的结构实例化针对电路的各种尺寸和参数的各种布局布图。与程序布局生成器不同,它们可以快速放置电路,同时在合成过程中保持高水平的放置质量。快速布局是由多布局结构的效率导致的高速实例化的结果。高质量的布局来自于用于构建多布局结构的广泛而智能的搜索过程。这些结构的目标基准是25个模块附近的模拟电路。提出了一种生成这种多布局结构的算法。实验结果表明,布局执行时间平均为几毫秒,使他们在布局感知合成优化布局。
2007-10-25 cs.AR
Analog-DB: An Agent-First Analog Integrated Circuit Database, From Blocks to Systems
McMaster University(麦克马斯特大学)
该研究提出开源analog-db数据库,以领域特定语言实现模拟电路的可共享表示与复用,验证了其在调节器电路中的正确性,且AI智能体可基于其修复运算放大器设计缺陷。
2026-09-02 cs.AI cs.AR eess.SP
Late Breaking Results: Breaking Symmetry- Unconventional Placement of Analog Circuits using Multi-Level Multi-Agent Reinforcement Learning
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出一种目标驱动的多层级多智能体Q学习框架,首次将多智能体强化学习应用于模拟版图自动化,通过探索非对称布局突破传统对称设计限制,在抗工艺变化性能上优于现有最先进技术。
2025-04-10 cs.AI cs.AR
LLM-Enhanced Bayesian Optimization for Efficient Analog Layout Constraint Generation
Chinese University of Hong Kong(香港中文大学);University of Texas at Austin(德克萨斯大学奥斯汀分校);The University of Hong Kong(香港大学)
本文提出 LLANA 框架,利用大语言模型的少样本学习能力增强贝叶斯优化,以更少数据高效生成模拟版图参数约束,并达到与 SOTA 方法相当的性能。
2024-12-06 cs.AI cs.AR cs.LG
FALCON: An ML Framework for Fully Automated Layout-Constrained Analog Circuit Design
University of Southern California(南加州大学);University of California, Irvine(加州大学伊藤分校)
本研究提出统一机器学习框架FALCON,通过性能驱动拓扑选择、边中心图神经网络参数推断及可微布局成本约束,实现全自动布局约束模拟电路综合,在百万级毫米波电路数据集上验证了高精度与高效性。
2025-10-27 cs.AI cs.AR cs.CE
LLM-USO: Large Language Model-based Universal Sizing Optimizer
University of California, Santa Barbara(加州大学圣巴巴拉分校)
本文提出LLM-USO,通过结构化知识表示与混合框架将大语言模型与贝叶斯优化结合,实现模拟电路尺寸优化的跨电路知识重用与领域知识注入,弥补传统方法在语义理解和知识迁移上的不足。
2025-02-04 cs.AR cs.LG
Utilizing Layout Effects for Analog Logic Locking
本文提出利用氧化物扩散长度效应和阱邻近效应等布局效应隐藏模拟电路关键参数,实现对模拟IP的逻辑锁定,并通过28nm和65nm工艺下的运算跨导放大器实验验证其有效性。
2024-01-12 cs.AR cs.CR
PICO-RAM: A PVT-Insensitive Analog Compute-In-Memory SRAM Macro with In-Situ Multi-Bit Charge Computing and 6T Thin-Cell-Compatible Layout
本文提出PICO-RAM,一种PVT不敏感的模拟存内计算SRAM宏,采用电荷域位并行计算和6T薄单元兼容布局,实现高密度存储与高鲁棒性。
2024-07-03 cs.AR cs.ET
A CNN-Based Technique to Assist Layout-to-Generator Conversion for Analog Circuits
Department of Electrical Engineering, Pohang University of Science and Technology(电子工程系,平阳科学技术大学);Department of Electrical Engineering, the Department of Convergence IT Engineering, and the Department of Semiconductor Engineering(电子工程系、融合IT工程系和半导体工程系);Institute for Convergence Research and Education in Advanced Technology(先进科技融合研究与教育研究所)
本文提出一种基于CNN的辅助技术,用于高效转换模拟电路布局到生成器,通过自动检测可生成子单元并减少检查时间。
2025-11-24 cs.AI cs.AR cs.LG
AI-Powered Agile Analog Circuit Design and Optimization
Institute of Microelectronics (IME), Agency for Science, Technology and Research (A*STAR)(微电子研究所(IME),科技研究局(A*STAR));School of Electrical and Electronic Engineering , Nanyang Technological University(电子与电气工程学院,南洋理工大学)
本文结合多目标贝叶斯优化进行晶体管尺寸设计和AI集成传递函数建模,在跨导器与关键词识别系统中实现模拟电路器件级与系统级协同优化,提升性能并减少迭代。
2025-05-08 cs.AI cs.AR
AnalogGym: An Open and Practical Testing Suite for Analog Circuit Synthesis
针对模拟电路综合ML算法缺乏标准化评估框架的问题,研究人员推出开源测试套件AnalogGym,覆盖多类电路拓扑与工艺节点,兼容多款仿真器,可支撑公平可复现的算法对比与工业相关研究。
2024-09-13 cs.AR
TAG: Learning Circuit Spatial Embedding From Layouts
The University of Texas at Austin(德克萨斯大学奥斯汀分校);NVIDIA Corporation(英伟达公司)
模拟和混合信号(AMS)电路设计仍然依赖于人类的设计专业知识。机器学习一直在通过用人工智能取代人类经验来辅助电路设计自动化。本文提出了TAG,一种新的范式,利用文本,自我注意力和图形的布局学习的电路表示。嵌入式网络模型学习空间信息,无需手动标记。我们将文本嵌入和自我注意力机制引入AMS电路学习。实验结果表明,能够预测与工业FinFET技术基准实例之间的布局距离。的电路表示的有效性进行了验证,通过显示可转移到其他三个学习任务与有限的数据在案例研究:布局匹配预测,线长估计,净寄生电容预测。
2022-09-07 cs.AR cs.LG
Emerging ML-AI Techniques for Analog and RF EDA
Drexel University(德雷塞尔大学)
本综述探讨了将机器学习集成到模拟与射频电路EDA工作流中以应对复杂约束和高计算成本等挑战,回顾了约束制定、拓扑生成、布局布线等任务的最新学习与优化技术,并强调了ML在增强自动化、提升设计质量及缩短上市时间方面的能力与新兴挑战。
2025-05-12 cs.AR cs.CE cs.LG
The Era of Vibe Tapeout: Dark Age or Golden Age for Analog Circuit Design?
Keio University(庆应义塾大学)
本文评估了LLM智能体驱动的氛围流片在模拟电路设计中的进展,在SKY130和商业PDK场景下测试了不同模型的表现,认为对掌握验证方法的设计者而言,氛围流片是模拟设计的黄金时代。
2026-10-14 cs.AR
SGAnalog: An End-to-End Circuit Benchmark from Open-Source Silicon Tapeouts
University of California, Berkeley(加州大学伯克利分校)
提出基于Tiny Tapeout开源芯片的模拟电路基准,含273个拓扑设计,评估原理图到网表转录与器件尺寸调整,最强模型转录精确图同构率56.1%,尺寸调整达91.2分,揭示模型能力差异与策略限制。
2026-10-06 cs.AI cs.AR
GENIE-ASI: Generative Instruction and Executable Code for Analog Subcircuit Identification
Chair for Design Automation, Technical University of Munich(自动化设计研究所,慕尼黑技术大学)
本文提出GENIE-ASI,一种无需训练的大语言模型方法,通过上下文学习生成指令并转换为可执行Python代码,实现模拟子电路识别,并构建运算放大器网表基准验证其有效性。
2025-08-26 cs.AR cs.LG
ZeroSim: Zero-Shot Analog Circuit Evaluation with Unified Transformer Embeddings
Department of Electrical and Computer Engineering, Northeastern University(电子与计算机工程系,东北大学)
针对模拟电路性能评估瓶颈,提出基于Transformer的ZeroSim框架,通过多样化训练语料、统一拓扑嵌入和拓扑条件参数映射,实现训练拓扑新参数下的分布内泛化与未见过拓扑的零样本泛化,性能优于基线模型且集成优化流水线可提速13倍。
2025-11-10 cs.AR cs.LG
DocEDA: Automated Extraction and Design of Analog Circuits from Documents with Large Language Model
Southeast Universisity(东南大学)
针对传统电路文档参数提取依赖人工、效率低易出错的问题,提出结合版面分析、LLM思维链推理、改进GAM-YOLO拓扑识别及空间映射优化的DocEDA系统,提升了EDA中参数提取效率与准确性,适配多场景多格式。
2024-11-25 cs.AI cs.AR cs.CL
Weave: Verified Netlist-to-Schematic Conversion via Layered Graph Layout
Senol Gulgonul
研究电子设计中网表转原理图问题,提出Weave确定性转换器,用分层图布局转换并经往返连通性检查验证,在测试集上表现优于Schemato。
2026-07-07 cs.AR cs.LG
Domain Knowledge-Infused Deep Learning for Automated Analog/Radio-Frequency Circuit Parameter Optimization
Mitsubishi Electric Research Laboratories(三菱电机研究实验室);Washington University in St. Louis(圣路易斯华盛顿大学)
模拟电路的设计自动化是一个长期的挑战。本文提出了一种通过图学习增强的强化学习方法,用于在预布局阶段自动化模拟电路参数优化,即,找到器件参数以满足期望的电路规格。与所有现有方法不同,我们的方法受到依赖于模拟电路设计领域知识的人类专家的启发(例如,电路拓扑和电路规范之间的耦合)来解决问题。通过最初将这些关键领域知识结合到多模态网络的策略训练中,该方法可以最好地学习电路参数和设计目标之间的复杂关系,从而在优化过程中实现最佳决策。在典型电路上的实验结果表明,该方法达到了人类水平的设计精度(99%),是现有最佳性能方法的1.5倍。我们的方法也表现出更好的泛化能力,看不见的规格和电路性能优化的最优性。此外,它适用于新兴半导体技术的射频电路设计,打破了传统模拟电路设计中现有学习方法的局限性。
2022-05-17 cs.AR cs.LG
EasyACIM: An End-to-End Automated Analog CIM with Synthesizable Architecture and Agile Design Space Exploration
EasyACIM提出一种基于可综合架构的端到端自动化模拟存算一体设计方法,通过多目标遗传算法探索设计空间,自动生成高质量布局,提升性能并缩短上市时间。
2024-04-12 cs.AR cs.NE
EEspice: A Modular Circuit Simulation Platform with Parallel Device Model Evaluation via Graph Coloring
School of Engineering The University of Edinburgh(爱丁堡大学工程学院)
EEspice通过图着色技术实现并行处理,提升电路仿真效率,尤其在低冲突情况下可实现单线程性能的45倍提升。
2026-04-03 cs.AR
Lighthouse RL: Sample-Efficient Circuit Optimization via Strategic Reset Points
Sony Group Corporation(索尼集团公司);EPFL(洛桑联邦理工学院);Sony Semiconductor Solutions(索尼半导体解决方案公司);TU Munich(慕尼黑工业大学)
研究针对模拟电路规模确定问题,提出灯塔强化学习方法,通过策略性重置策略,从高性能配置初始化情节引导探索,相比其他方法在样本效率、优化性能、通用性等方面显著提升,可增强基于强化学习的优化方法。
2026-07-16 cs.AR cs.LG
Domain Knowledge-Based Automated Analog Circuit Design with Deep Reinforcement Learning
Mitsubishi Electric Research Laboratories(三菱电机研究实验室);Washington University in St. Louis(圣路易斯华盛顿大学)
模拟电路的设计自动化是集成电路领域的一个长期挑战。本文提出了一种深度强化学习方法,以加快在预布局阶段的模拟电路的设计,其中的目标是找到设备参数,以满足所需的电路规格。我们的方法受到经验丰富的人类设计师的启发,他们依赖于模拟电路设计的领域知识(例如,电路拓扑和电路规范之间的耦合)来解决问题。与所有现有方法不同,我们的方法最初将这些关键领域的知识与基于图形的策略网络的策略学习,从而最好地建模电路参数和设计目标之间的关系。在典型电路上的实验结果表明,它达到了人类水平的设计精度(~99%),效率是现有最佳性能方法的1.5倍。我们的方法也表现出更好的泛化能力,看不见的规格和电路性能优化的最优性。此外,它适用于设计不同的模拟电路在不同的半导体技术,打破了现有的ad-hoc方法在设计一个特定类型的模拟电路与传统的半导体技术的限制。
2022-02-26 cs.AI cs.AR cs.LG
RFChipAgent: Multi-Agentic AI Flow for Analog/RF Chip Design
Qualcomm Technologies, Inc.(高通技术有限公司);UC Berkeley(加州大学伯克利分校)
该研究提出RFChipAgent,一种LLM驱动的多智能体流程,用于端到端模拟/射频芯片设计自动化,经GF22FDSOI 60 GHz LNA验证,可大幅减少设计工作量并保持签核级质量,为相关EDA奠定基础。
2026-10-09 cs.AI cs.AR cs.LG
A Time-domain Analog Weighted-sum Calculation Model for Extremely Low Power VLSI Implementation of Multi-layer Neural Networks
提出了一种基于积分激发型发放神经元模型的时域模拟加权和计算模型。该计算模型适用于多层前馈网络,每层网络分别进行正负权值加权求和,求和结果不进行减法运算直接送入下一层网络。我们还提出了超大规模集成(VLSI)电路来实现所提出的模型。与传统的模拟电压或电流模式电路不同,时域模拟电路在对电容器的充电/放电过程中使用瞬态操作。由于该电路可以在没有运算放大器的情况下设计,因此它们可以以极低的功耗工作。然而,它们必须使用G $\rm Ω$量级的非常高电阻的器件。我们设计了一个概念验证(CMOSVLSI)芯片,以验证具有相同权重的加权和运算,并使用250 nm制造技术通过布局后电路模拟对其进行评估。利用MOS晶体管的亚阈值工作区实现了高阻工作。仿真结果表明,该算法的加权和计算能量效率为290 TOPS/W,比现有的数字AI处理器高出一个数量级以上,尽管该芯片的最小互连宽度比现有数字AI处理器的最小互连宽度大几倍。如果使用最先进的VLSI技术来实现所提出的模型,则超过1,000 TOPS/W的能量效率将是可能的。对于实际应用,开发新兴的模拟存储器件,如铁电栅场效应晶体管是必要的。
2018-10-16 cs.AR cs.ET
Hardware-Aware Model Design and Training of Silicon-based Analog Neural Networks
University of Pisa, Dipartimento di Ingegneria dell’Informazione(比萨大学信息工程系)
本文提出基于硅基模拟神经网络的硬件感知模型设计与训练方法,通过重新训练恢复理想网络精度,实现高可扩展性和集成密度。
2025-12-08 cs.AR cs.NE
Automated Placement of Analog Integrated Circuits using Priority-based Constructive Heuristic
本文提出一种基于优先级的构造启发式方法解决模拟集成电路布局问题,通过整数线性规划建模并利用遗传算法或协方差矩阵适应进化策略引导搜索,有效处理口袋、对称组等复杂约束,在多数据集上表现优于现有方法。
2024-11-13 cs.AR cs.NE
MORCIC: Model Order Reduction Techniques for Electromagnetic Models of Integrated Circuits
MORCIC 提出面向集成电路电磁模型的新型模型降阶技术,在数百万元件电路上将 ROM 缩小 5.5 倍并保持与 ANSYS RaptorX 相近的精度。
2023-11-14 cs.AR cs.CE cs.NA
Compute-in-Memory Attention: A Time-Domain Analog Softmax Circuit with RC-Tunable Temperature
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
该研究提出一种GlobalFoundries 22nm FDSOI工艺的时域模拟Softmax电路,无需模数转换,通过RC时间常数实现温度可调,128元件架构在低功耗下误差小,用于Transformer模型验证损失接近理想基线。
2026-09-07 cs.AR cs.LG
Causal AI For AMS Circuit Design: Interpretable Parameter Effects Analysis
University of Florida(佛罗里达大学)
本文提出基于因果推理的框架,通过SPICE仿真数据构建DAG并估算ATE,实现参数影响的可解释性分析,验证了因果AI在AMS设计中的高精度和可解释性。
2026-03-24 cs.AI cs.AR cs.LG
Graph Computation Meets Circuit Algebra: A Task-Aligned Analysis of Graph Neural Networks for Electronic Design Automation
Independent Researcher(独立研究者)
本文探讨了图神经网络在电子设计自动化中的应用,通过任务对齐分析,揭示了不同任务与图神经网络架构的匹配问题,指出当前方法的局限性和未来研究方向。
2026-05-08 cs.AI cs.AR cs.LG
AMSnet-KG: A Netlist Dataset for LLM-based AMS Circuit Auto-Design Using Knowledge Graph RAG
Eastern Institute of Technology(东方理工大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);BTD Inc.(BTD公司);Tsinghua University(清华大学);Institute of Digital Twin, Eastern Institute of Technology(东方理工大学数字孪生研究院)
本文提出AMSnet-KG数据集及知识图谱,结合LLM与贝叶斯优化实现AMS电路从规格到网表的自动生成,并通过运放和比较器案例验证了方法的有效性。
2024-11-07 cs.AI cs.AR cs.ET