EasySize：基于LLM引导的弹性模拟电路 sizing
人工智能
2025-08-08 v1
摘要
模拟电路设计是芯片开发中耗时且依赖经验的任务。尽管AI技术取得了进展，但开发通用、快速且稳定的模拟电路 sizing 方法仍是重大挑战。最近的研究将大型语言模型（LLM）与启发式搜索技术结合以提升通用性，但这些方法往往依赖大规模模型且缺乏在不同工艺节点间的可移植性。为此，我们提出EasySize——首个基于微调Qwen3-8B模型的轻量级电路 sizing 框架，旨在实现跨工艺节点、设计规格和电路拓扑的通用适用性。EasySize 利用性能指标的可达性（Ease of Attainability, EOA）差异，动态构建任务特定损失函数，实现通过全局微分演化（DE）和局部粒子群优化（PSO）进行高效启发式搜索。虽然仅在350nm工艺节点上进行微调，EasySize 仍在180nm、45nm和22nm技术节点上的5个运算放大器（Op-Amp）网表上表现出色，且在86.67%的任务中超越基于强化学习的广泛使用 sizing 框架AutoCkt，同时实现了96.67%的仿真资源降低。我们认为EasySize可以显著减少对人类专家知识和计算资源的依赖，从而加速并简化模拟电路设计流程。EasySize将在随后开源。
引用
@article{arxiv.2508.05113,
title = {EasySize: Elastic Analog Circuit Sizing via LLM-Guided Heuristic Search},
author = {Xinyue Wu and Fan Hu and Shaik Jani Babu and Yi Zhao and Xinfei Guo},
journal= {arXiv preprint arXiv:2508.05113},
year = {2025}
}