CircuitLM：基于多智能体 LLM 辅助设计的自然语言提示生成电路原理图框架

从高层自然语言描述生成准确的电路原理图仍然是电子设计自动化（EDA）中的一项持续挑战，因为大语言模型经常产生组件幻觉、违反严格的物理约束，并输出非机器可读的结果。为了解决这一问题，我们提出了 CircuitLM，这是一个多智能体流水线，可将用户提示转化为结构化且可视化的 $\texttt{CircuitJSON}$ 原理图。该框架通过五个连续阶段将生成过程锚定在一个精心策划的、基于嵌入的组件知识库中，从而缓解幻觉并确保物理可行性： 组件识别， 规范引脚分配检索， 思维链推理， JSON 原理图合成，以及 交互式力导向可视化。我们使用五个 SOTA LLM 在包含 100 个独特电路设计提示的数据集上对该系统进行了评估。为了系统地评估性能，我们部署了严格的双层评估方法：确定性的电气规则检查（ERC）引擎按严格严重程度对拓扑故障进行分类，而 LLM-as-a-judge 元评估器则用于识别绕过标准基于规则检查器的复杂且具备上下文感知的设计缺陷。最终，这项工作展示了目标检索结合确定性与语义验证如何将自然语言转化为结构上可行、可直接生成原理图的硬件以及安全的电路原型设计。我们的代码和数据已在 https://github.com/Khandakar227/CircuitLM 公开。