OSIRIS: Bridging Analog Circuit Design and Machine Learning with Scalable Dataset Generation
DEIB Politecnico di Milano(米兰理工学院电子信息与自动化学院)
OSIRIS通过可扩展数据集生成连接模拟电路设计与机器学习,提供了一种端到端框架和高质量数据集用于模拟设计优化。
2026-01-27 cs.LG
AnalogCoder: Analog Circuit Design via Training-Free Code Generation
The University of Hong Kong(香港大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);The Chinese University of Hong Kong(香港中文大学)
AnalogCoder是首个通过Python代码生成设计模拟电路的免训练LLM智能体,结合反馈增强流程和电路工具库,在基准测试中成功设计20个电路,优于标准GPT-4o,显著提升设计效率。
2024-05-30 cs.ET cs.LG
Fast ML-driven Analog Circuit Layout using Reinforcement Learning and Steiner Trees
University of Trieste(的里雅斯特大学);Infineon Technologies Austria(英飞凌科技奥地利公司);Infineon Technologies AG(英飞凌股份公司)
本文提出一种AI驱动方法,将模拟电路布局建模为马尔可夫决策过程,用强化学习自动生成布局,并引入斯坦纳树进行全局布线,最终将运行时间降至人工的1.5%。
2024-05-27 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
AnalogGenie: A Generative Engine for Automatic Discovery of Analog Circuit Topologies
Northeastern University(东北大学);The George Washington University(乔治·华盛顿大学)
本文提出生成式引擎AnalogGenie,通过构建综合数据集与可扩展的图表示方法,实现模拟电路拓扑的自动发现,推动模拟IC设计向生成式AI驱动的自动化转变。
2025-02-28 cs.AR cs.LG
KCLNet: Electrically Equivalence-Oriented Graph Representation Learning for Analog Circuits
本文提出KCLNet,一种基于基尔霍夫电流定律的模拟电路图表示学习框架,通过电模拟消息传递和电流嵌入约束提升电路表示的泛化能力,实验表明其在电路分类、子电路检测等任务中表现优异。
2026-03-25 cs.AI cs.LG
Analog Circuit Design with Dyna-Style Reinforcement Learning
Delft University of Technology(代尔夫特理工大学)
在这项工作中,我们提出了一种基于学习的模拟电路设计方法,其目标是在一定的设计约束条件下优化电路性能。使这个问题具有挑战性的优化的方面之一是,用仿真来测量候选配置的性能可能在计算上是昂贵的,特别是在布局后设计中。此外,大量的设计约束和相关量之间的相互作用使得问题复杂。因此,为了更好地促进支持人类设计师,期望获得关于可行解的整个空间的知识。为了应对这些挑战,我们从基于模型的强化学习中获得灵感,并提出了一种具有两个关键属性的方法。首先,它学习奖励模型,即,代理模型的性能由神经网络近似,减少了所需的仿真次数。其次,它使用一个随机策略生成器来探索满足约束的多样解空间。我们将这些结合在Dyna风格的优化框架中,我们称之为DynaOpt,并根据经验评估两级运算放大器的电路基准的性能。结果表明,与使用无模型方法进行20,000次电路仿真来训练策略相比,DynaOpt仅用500次仿真就从头开始学习,从而实现了更好的性能。
2020-11-16 cs.LG
Finding the Needle in a Haystack: Test-Time Analog Circuit Representation Adaptation for Bayesian Optimization
North Carolina State University(北卡罗来纳州立大学)
本文提出TTARO框架,通过测试时自适应调整电路表示优化贝叶斯优化,在40种设置下较传统方法降低后悔曲线下面积15.2%至20.7%,性能优于现有技术。
2026-08-14 cs.LG
QUARK: Quantization-Enabled Circuit Sharing for Transformer Acceleration by Exploiting Common Patterns in Nonlinear Operations
School of Computer Science, Shanghai Jiao Tong University(上海交通大学计算机科学学院);Shanghai Qi Zhi Institute(上海启智研究院);Nanyang Technological University(南洋理工大学);Huawei Technologies Co., Ltd(华为技术有限公司)
QUARK通过利用非线性操作中的共同模式,实现高效电路共享,减少硬件资源需求,提升Transformer模型的推理速度和精度。
2026-03-25 cs.AI 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
DNN-Opt: An RL Inspired Optimization for Analog Circuit Sizing using Deep Neural Networks
The University of Texas at Austin(得克萨斯大学奥斯汀分校);Intel Corp.(英特尔公司);University of Glasgow(格拉斯哥大学)
在典型的设计周期中,模拟电路尺寸的确定需要大量的手工工作。随着快速发展的技术和紧迫的时间表,带来自动化解决方案的大小已经引起了极大的关注。本文介绍了DNN-Opt,一个强化学习(RL)启发的基于深度神经网络(DNN)的黑盒优化框架,用于模拟电路规模。本文的主要贡献是利用RL actor-critic算法的新型样本高效两阶段深度学习优化框架,以及使用关键设备识别将其扩展到大型工业电路的配方。我们的方法显示5- 30倍样本效率相比,其他黑盒优化方法,无论是在小积木和大型工业电路具有更好的性能指标。据我们所知,这是基于DNN的电路规模在工业规模电路上的首次应用。
2021-10-01 cs.LG eess.SP
A general approach for identifying hierarchical symmetry constraints for analog circuit layout
University of Minnesota(明尼苏达大学)
模拟版图综合要求电路网表中的一些元件匹配并对称放置。然而,这组对称性是非常具体的电路和通用的算法,适用于各种各样的电路,一直难以捉摸。本文提出了一种自动生成对称性约束的一般方法,并应用这些约束来指导自动版图综合。虽然以前的方法仅限于识别简单的对称性,但所提出的方法分层操作,并使用基于图形的算法来提取电路内的多个对称轴。该算法的一个重要组成部分是它能够识别重复结构的阵列。在某些电路中,重复结构不是完美的复制品,只能通过近似图匹配来找到。为此,提出了一种基于快速图神经网络的方法。该算法的实用性在各种电路上得到了验证,包括运算放大器、数据转换器、均衡器和低噪声放大器。
2020-09-30 cs.LG eess.SP
Learning to Design Analog Circuits to Meet Threshold Specifications
University of California, Irvine(加州大学欧文分校)
提出基于仿真数据生成数据集并通过监督学习训练系统设计满足阈值规范的模拟电路,在多样化电路上实现超90%成功率并大幅提升数据效率。
2023-07-25 cs.LG eess.SP
Inspector: Conversational and Lightweight Analyzer of Analog Circuit Layouts Using LLM and CNNs
DEIB Politecnico di Milano(米兰理工大学DEIB)
本文提出Inspector框架,结合微调LLM与CNN分析模拟电路GDSII文件,提供对话式界面,在四个实际任务中较通用大规模VLM最高提升81%,实现轻量级分析。
2026-09-29 cs.CV cs.LG
AICircuit: A Multi-Level Dataset and Benchmark for AI-Driven Analog Integrated Circuit Design
University of Southern California(南加州大学);University of California, Irvine(加州大学尔湾分校)
针对模拟与射频电路设计缺乏通用数据集和基准的问题,提出AICircuit多层级数据集与基准,涵盖多种基础电路与复杂无线收发机系统,并评估多种机器学习算法以验证其学习设计规格到电路参数映射的潜力。
2024-07-22 cs.AI cs.AR cs.LG
AnalogFed: Privacy-Preserving Discovery of Analog Circuits at Scale with Federated Generative AI
Department of Electrical and Computer Engineering, The George Washington University(电气与计算机工程系,乔治·华盛顿大学)
提出AnalogFed,首个结合联邦学习和生成式AI的隐私保护框架,用于大规模模拟电路拓扑发现,通过虚拟令牌注入和同态加密防御成员推理和模型反转攻击,实现高效协作设计。
2026-06-17 cs.AI cs.LG
RobustAnalog: Fast Variation-Aware Analog Circuit Design Via Multi-task RL
University of Texas at Austin(德克萨斯大学奥斯汀分校);Massachusetts Institute of Technology(麻省理工学院)
模拟/混合信号电路设计是整个芯片设计过程中最复杂、最耗时的阶段之一。由于来自芯片制造的各种工艺、电压和温度(PVT)变化,模拟电路不可避免地遭受性能退化。尽管在典型条件下的模拟电路设计自动化方面已经做了大量的工作,但在真实和不可预测的硅变化下探索鲁棒设计方面的研究有限。针对变化的自动模拟设计需要高昂的计算和时间成本。为了应对这一挑战,我们提出了RobustAnalog,一个强大的电路设计框架,涉及到优化过程中的变化信息。具体地说,在不同的变化下的电路优化被认为是一组任务。利用任务之间的相似性,减轻竞争,实现样本有效的多任务训练。此外,RobustAnalog在每次迭代中根据当前性能修剪任务空间,从而进一步降低仿真成本。通过这种方式,RobustAnalog可以快速生成一组满足各种约束(例如增益、带宽、噪声等)的电路参数。跨变量。我们比较了RobustAnalog与贝叶斯优化,进化算法和深度确定性策略梯度(DDPG),并证明RobustAnalog可以显着减少所需的优化时间的14-30倍。因此,我们的研究提供了一个可行的方法来处理各种真实的硅条件。
2022-07-13 cs.AI cs.ET cs.LG
Analog/Mixed-Signal Circuit Synthesis Enabled by the Advancements of Circuit Architectures and Machine Learning Algorithms
University of Southern California(南加州大学)
模拟混合信号(AMS)电路架构由于技术缩放和对更高灵活性/可重构性的需求而朝着更数字友好的方向发展。同时,由于需要优化复杂AMS电路的电路尺寸、布局和验证,AMS电路的设计复杂性和成本显著增加。另一方面,机器学习(ML)算法在过去十年中呈指数增长,并被电子设计自动化(EDA)社区积极利用。本文将确定这种趋势带来的机遇和挑战,并概述了几个新兴的AMS设计方法,使AMS电路架构和机器学习算法的最新发展。具体来说,我们将集中在使用基于神经网络的代理模型,以加快电路设计参数搜索和布局迭代。最后,我们将展示从规范到硅原型的几个AMS电路示例的快速合成,大大减少了人为干预。
2021-12-15 cs.ET cs.LG cs.SY
LaMAGIC: Language-Model-based Topology Generation for Analog Integrated Circuits
IBM T. J. Watson Research Center(IBM T. J. 沃森研究中心);Duke University(杜克大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM 沃森人工智能实验室);New Jersey Institute of Technology(新泽西理工学院);University of Notre Dame(圣母大学)
针对模拟电路拓扑设计耗时长的问题,提出基于语言模型的生成框架LaMAGIC,通过监督微调与规范化电路表示,在单次运行中实现高效拓扑生成,在0.01容差下成功率达96%,为自动化模拟电路设计奠定基础。
2024-08-29 cs.AI cs.AR cs.LG
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
MenTeR: A fully-automated Multi-agenT workflow for end-to-end RF/Analog Circuits Netlist Design
MediaTek Technology West Lafayette, Indiana(联发科技术西拉法叶,印第安纳州);MediaTek Hsinchu, Taiwan(联发科桃园,台湾);MediaTek USA West Lafayette, Indiana(联发科美国西拉法叶,印第安纳州)
MenTeR提出一种全自动多智能体工作流,通过多个专用AI智能体协同完成规格理解、电路优化与测试平台验证,减少人工试错干预,加速射频/模拟电路网表设计并拓展设计空间探索。
2025-06-03 cs.AI cs.ET cs.LG
Electric Analog Circuit Design with Hypernetworks and a Differential Simulator
Tel Aviv University(特拉维夫大学);Facebook AI Research(Facebook人工智能研究院)
模拟电路的手动设计是一项繁琐的参数调整任务,需要人类专家进行数小时的工作。在这项工作中,我们向基于深度学习的全自动设计方法迈出了重要的一步。该方法选择的组件和它们的配置,以及它们的数值参数。相比之下,目前的文献方法仅限于参数拟合部分。使用两级网络,首先生成电路元件链,然后预测它们的参数。一个超网络方案中使用的权重生成网络,这是电路的功率谱的条件下,产生的原始RNN网络的参数,放置的组件。微分模拟器用于细化分量的数值。我们表明,我们的模型提供了一个有效的设计解决方案,是优于替代解决方案。
2020-02-10 cs.LG eess.SP stat.ML
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
cktFormer: Transformer-Based Approach for Automated Analog Circuit Design
University of Moratuwa(莫拉图瓦大学)
提出双Transformer架构cktFormer,通过图表示建模电路关系,以节点和边预测模型协同生成有效电路,在有效性上超越AnalogGenie和cktGNN。
2026-09-30 cs.AR cs.LG
CIRCUIT: A Benchmark for Circuit Interpretation and Reasoning Capabilities of LLMs
Massachusetts Institute of Technology(麻省理工学院);Analog Devices(亚德诺半导体公司)
针对LLMs在模拟电路设计推理能力缺乏评估基准的问题,创建含510个问答对的CIRCUIT数据集,测试发现GPT-4o数值答案准确率48.04%、单元测试通过率27.45%,揭示其电路推理局限并为相关应用提供见解。
2025-02-11 cs.AI cs.LG
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
Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design
University of California, Berkeley(加州大学伯克利分校);Intel AI Labs(英特尔人工智能实验室)
能够预测电路的性能而无需运行昂贵的仿真是一种可以促进自动化设计的期望能力。在本文中,我们提出了一种有监督的预训练方法来学习电路表示,这些电路表示可以适应新的电路拓扑结构或看不见的预测任务。我们假设,如果我们训练一个神经网络(NN),可以预测的输出直流电压的广泛的电路实例,它将被迫学习每个电路元件的作用,以及它们如何相互作用的一般知识。这个监督学习目标的数据集可以很容易地大规模收集,因为获得地面真实标签所需的DC模拟相对便宜。然后,这种表示将有助于对看不见的电路度量进行Few-Shot推广,这些电路度量需要更耗时的仿真来获得地面实况标签。为了处理不同电路的可变拓扑结构,我们将每个电路描述为一个图,并使用图神经网络(GNNs)来学习节点嵌入。我们表明,对输出节点电压预测的预训练GNN可以鼓励学习表示,这些表示可以适应新的看不见的拓扑结构或新的电路级属性的预测,与随机初始化模型相比,样本效率高达10倍。我们进一步表明,通过微调预训练的GNN作为学习模型的特征提取器,我们可以将先前基于SoTA模型的优化方法的样本效率提高2倍(几乎与使用Oracle模型一样好)。
2022-04-01 cs.AI cs.LG
AstRL: Analog and Mixed-Signal Circuit Synthesis with Deep Reinforcement Learning
Department of Electrical Engineering and Computer Sciences University of California Berkeley(电子工程与计算机科学系加州大学伯克利分校)
AstRL通过深度强化学习实现模拟和混合信号电路的高效综合,首次在模拟中验证了专家对齐的通用电路生成方法,显著提升了设计效率和准确性。
2026-02-12 cs.AI cs.LG
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
Sensitivity Analysis for Active Sampling, with Applications to the Simulation of Analog Circuits
Université Toulouse III - Paul Sabatier(图卢兹第三大学 - 保罗·萨巴蒂尔大学);NXP Semiconductors(恩智浦半导体)
针对模拟电路仿真中参数多、难拟合代理模型与高效探索设计空间的问题,提出结合灵敏度分析降维和贝叶斯代理建模的主动采样流程,在合成与真实数据集上表现优于常规蒙特卡洛采样。
2024-05-13 cs.LG stat.AP stat.ME
Supervised Learning for Analog and RF Circuit Design: Benchmarks and Comparative Insights
University of Southern California (USC)(南加州大学);University of California, Irvine (UCI)(加州大学欧文分校)
本研究通过监督机器学习方法,从性能规格自动设计模拟与射频电路参数,评估多种模型,发现简单电路精度高,复杂电路有挑战,异质电路误差降低88%,为ML驱动设计自动化奠定基础。
2025-01-21 cs.AI cs.AR cs.LG
Process, Bias and Temperature Scalable CMOS Analog Computing Circuits for Machine Learning
Indian Institute of Science(印度科学学院);Washington University in St. Louis(圣路易斯华盛顿大学)
本文推广基于裕量传播的框架,提出可跨工艺、温度缩放的 S-AC 模拟计算电路,并通过 180nm 到 7nm 仿真与基准任务验证其精度稳健。
2023-01-04 cs.AR cs.ET cs.LG
LinEasyBO: Scalable Bayesian Optimization Approach for Analog Circuit Synthesis via One-Dimensional Subspaces
Fudan University(复旦大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
大量的文献已经证明贝叶斯优化框架在模拟电路综合中特别有效。然而,以往的研究工作大多集中在设计信息代理模型或有效的获取功能。即使在采集函数表面上搜索全局最优值本身是一项困难的任务,但它在很大程度上被忽略了。在本文中,我们提出了一个快速和强大的贝叶斯优化方法,通过一维子空间的模拟电路综合。通过在每次迭代中只关注优化一维子空间,我们大大降低了贝叶斯优化框架的计算开销,同时安全地最大化了获取函数。通过结合不同维度选择策略的优点,我们自适应地在全局搜索和局部搜索之间取得平衡。通过利用批贝叶斯优化框架,我们进一步加快优化过程,充分利用硬件资源。实验结果定量地表明,我们提出的算法可以加速优化过程高达9倍和38倍相比,LP-EI和REMBOpBO分别当批量大小为15。
2021-09-01 cs.LG cs.SY eess.SY
IMAC-Sim: A Circuit-level Simulator For In-Memory Analog Computing Architectures
University of South Carolina(南卡罗来纳大学)
针对忆阻器基存内模拟计算架构缺乏设计探索工具的问题,本文提出基于Python的电路级仿真器IMAC-Sim,支持设计空间探索、寄生参数仿真与可靠性优化,已开源供研究者使用。
2023-04-18 cs.AR cs.ET cs.LG
Bayesian Optimization Approach for Analog Circuit Synthesis Using Neural Network
Fudan University(复旦大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
以高斯过程为代理模型的贝叶斯优化已成功地应用于模拟电路综合。在传统的高斯过程回归模型中,核函数是显式定义的。训练的计算复杂性为O(N3),预测的计算复杂性为O(N2),其中N为训练数据的个数。高斯过程模型也可以从权值空间的角度出发,将原始数据映射到特征空间,核函数定义为非线性特征的内积。在本文中,我们提出了一个贝叶斯优化方法的模拟电路综合使用神经网络。我们使用深度神经网络来提取良好的特征表示,然后使用提取的特征定义高斯过程。采用模型平均法提高了不确定性预测的质量。与核函数明确定义的高斯过程模型相比,基于神经网络的高斯过程模型可以从数据中自动学习核函数,从而可以提供更准确的预测,从而加快后续优化过程。此外,基于神经网络的模型具有O(N)的训练时间和恒定的预测时间。通过两个实际模拟电路验证了该方法的有效性。
2019-12-01 cs.LG cs.SY eess.SY