AutoSizer：通过大语言模型（LLM）智能体实现模拟与混合信号电路的自动 sizing
人工智能
2026-05-29 v2
摘要
模拟和混合信号（AMS）集成电路的设计仍严重依赖专家知识，器件 sizing 是主要瓶颈，因为其非线性行为、高维设计空间以及严格的性能约束。现有的电子设计自动化（EDA）方法通常将 sizing 表述为静态黑箱优化，导致效率低下且鲁棒性差。尽管大语言模型（LLM）表现出强大的推理能力，但并不适用于 AMS sizing 中的精确数值优化。为填补这一差距，我们提出 AutoSizer，一种由 LLM 智能体驱动的反思性元优化框架，将电路理解、自适应搜索空间构建和优化编排统一于一个闭环中。它采用双循环优化框架，其中内循环用于电路 sizing，外循环则分析优化动力学和约束，迭代细化搜索空间。我们进一步引入 AMS-SizingBench，一个包含 24 个多样化 AMS 电路的开放基准，采用 SKY130 CMOS 技术，旨在评估在真实仿真器约束下的自适应优化策略。AutoSizer 实验上实现了更高的解质量、更快的收敛速度以及更高的成功率，显著优于传统优化方法和现有 LLM 智能体。
引用
@article{arxiv.2602.02849,
title = {AutoSizer: Automatic Sizing of Analog and Mixed-Signal Circuits via Large Language Model (LLM) Agents},
author = {Xi Yu and Dmitrii Torbunov and Soumyajit Mandal and Yihui Ren},
journal= {arXiv preprint arXiv:2602.02849},
year = {2026}
}