CircuitFormer：一种面向自然语言提示的电路语言模型用于模拟拓扑设计
人工智能
2026-05-08 v1
摘要
自动化模拟电路设计是电子设计自动化(EDA)中的长期挑战。虽然 Transformer 架构的大型语言模型(LLM)已在软件代码生成领域取得突破，但其在模拟硬件设计中的应用受到两个关键限制：(i) 标注的模拟设计数据集稀缺，数据集中包含自然语言描述及其对应的 netlist；(ii) 通用分词器（如字节对编码(BPE)）在捕获电路图结构方面效率低下。为弥合这一差距，我们首次构建了目前最大规模的模拟电路 netlist 标注数据集，包含 31,341 个 netlist-自然语言描述配对，覆盖所有主要电路类别。此外，我们提出 Circuit Tokenizer (CKT)，一种新型电路图分词器，通过显式挖掘频繁子电路来编码 netlist 连通性。就规模而言，CKT 克服了先前电路图序列化方法中的瓶颈——词汇规模随数据集中最大组件数 n_max 线性增长(O(n_max))——其结果是 CKT 使词汇增长与电路复杂度脱钩，实现常数 O(1) 复杂度。实验表明，CKT 在电路拓扑表示上优于标准 BPE，序列长度缩短 57%，压缩比提升 2.3 倍，同时仅使用固定词汇大小为 512 的紧凑词汇。基于此优化后的分词，我们训练了一个电路专用语言模型 CircuitFormer，参数量为 5.11 亿的编码器-解码器 Transformer。我们的模型在所有主要模拟电路类别中实现 100% 的语法正确性和 83% 的功能成功率，超越最先进的开源 LLM 10% 和 14%，且仅需 240 倍更少的参数。该数据集已公开发布于 https://huggingface.co/datasets/touhid314/cktformer-dataset。
引用
@article{arxiv.2605.05773,
title = {CircuitFormer: A Circuit Language Model for Analog Topology Design from Natural Language Prompt},
author = {Md Touhidul Islam and Sujan Kumar Saha and Farimah Farahmandi and Mark Tehranipoor},
journal= {arXiv preprint arXiv:2605.05773},
year = {2026}
}