基于代理式人类模仿推理的大语言模型辅助运算放大器行为级设计 White-Op
人工智能
2026-04-28 v2
摘要
本文提出 White-Op，一个由大语言模型代理模仿人类推理辅助的运算放大器（op-amp）行为级参数设计框架。采用符号推理与数值求解解耦的范式：代理执行逐步的符号推理，将设计建模为白盒优化问题，再进行程序化求解、仿真验证和迭代细化。为引导符号设计过程，隐式的人类推理机制被形式化为在传递函数简化、极点-零点提取与位置调节等步骤中引入假设约束，将设计启发式转化为数学公式。随后，一种编程映射协议标准化了从符号设计到可执行程序的翻译。最后，一种基于因果的迭代细化循环使代理能够追溯仿真-理论不匹配至具体的符号推理步骤，并进行有针对性的纠正，直至收敛。对 9 种运算放大器拓扑结构进行实验测试，表明 White-Op 实现了可解释的行为级设计，平均理论预测误差为 8.52%，且在晶体管级映射后所有拓扑结构均保持电路功能；而黑盒基线方法则在 5 至 7 种拓扑结构中失败。White-Op 已开源于 https://github.com/zhchenfdu/whiteop。
引用
@article{arxiv.2601.21321,
title = {LLM-Assisted Op-Amp Behavioral-Level Design via Agentic Human-Mimicking Reasoning},
author = {Zihao Chen and Ziyi Sun and Jiayin Wang and Ji Zhuang and Jinyi Shen and Xiaoyue Ke and Li Shang and Xuan Zeng and Fan Yang},
journal= {arXiv preprint arXiv:2601.21321},
year = {2026}
}