AUTOCIRCUIT-RL：基于强化学习驱动的大语言模型用于自动化电路拓扑生成
计算与语言
2025-06-04 v1
摘要
模拟电路拓扑综合是电子设计自动化（EDA）的核心组成部分，能够根据特定设计需求自动创建电路结构。然而，庞大的设计搜索空间和严格的约束遵循使得高效综合极具挑战性。利用大语言模型（LLM）的通用性，我们提出了 AUTOCIRCUIT-RL，一种用于自动化模拟电路综合的基于强化学习（RL）的新颖框架。该框架分两个阶段运行：指令微调阶段，LLM 从编码设计约束的结构化提示中学习生成电路拓扑；RL 微调阶段，利用评估有效性、效率和输出电压的奖励模型进一步提升指令微调模型的性能。微调后的模型随后被直接用于生成满足设计约束的拓扑。实验结果表明，与最佳基线相比，AUTOCIRCUIT-RL 生成的有效电路数量增加约 12%，效率提升约 14%，重复生成率降低约 38%。在训练数据有限的情况下，其在合成有效电路方面的成功率超过 60%，展现出强大的泛化能力。这些发现凸显了该框架在扩展至复杂电路的同时保持效率和约束遵循的有效性，标志着人工智能驱动的电路设计取得了重大进展。
引用
@article{arxiv.2506.03122,
title = {AUTOCIRCUIT-RL: Reinforcement Learning-Driven LLM for Automated Circuit Topology Generation},
author = {Prashanth Vijayaraghavan and Luyao Shi and Ehsan Degan and Vandana Mukherjee and Xin Zhang},
journal= {arXiv preprint arXiv:2506.03122},
year = {2025}
}
备注
9 Pages (Content), 4 Pages (Appendix), 7 figures, ICML'2025