MuaLLM：面向电路设计辅助的多模态大语言模型智能体——融合混合上下文检索增强生成
机器学习
2025-08-12 v1 人工智能
系统与控制
系统与控制
摘要
进行电路设计方法论的全面文献综述是推进该领域发展的关键步骤。然而，快速涌现的前沿研究、数据表示不一致以及优化电路设计目标的复杂性，使这一任务变得极具挑战性。本文提出 MuaLLM，一个开源多模态大语言模型（LLM）智能体，用于电路设计辅助，集成混合检索增强生成（RAG）框架与电路设计研究论文的自适应向量数据库。不同于传统 LLM，MuaLLM 智能体采用 Reason + Act（ReAct）工作流程进行迭代推理、目标设定和多步骤信息检索。它作为一种问答式设计助手，能够解读复杂查询并提供基于电路文献的有理响应。其多模态能力使其能够处理文本和视觉数据，实现更高效、更全面的分析。该系统通过智能搜索工具、自动从互联网检索文档以及实时数据库更新进行动态适应。不同于受模型上下文限制的传统方法，MuaLLM 将检索与推理解耦，使其能够对任意规模的语料库进行可扩展推理。在标准 LLM 支持的最大上下文长度下，MuaLLM 的成本最高可降低 10 倍，速度提升 1.6 倍，同时保持相同的准确率。这使得能够实现快速、无需人工参与的数据库生成，克服了基于仿真的数据集创建瓶颈。为评估 MuaLLM，我们引入两个自定义数据集：RAG-250 侧重检索和引用性能，Reasoning-100（Reas-100）聚焦电路设计中的多步骤推理。MuaLLM 在 RAG-250 上实现 90.1% 的召回率，在 Reas-100 上实现 86.8% 的准确率。
引用
@article{arxiv.2508.08137,
title = {MuaLLM: A Multimodal Large Language Model Agent for Circuit Design Assistance with Hybrid Contextual Retrieval-Augmented Generation},
author = {Pravallika Abbineni and Saoud Aldowaish and Colin Liechty and Soroosh Noorzad and Ali Ghazizadeh and Morteza Fayazi},
journal= {arXiv preprint arXiv:2508.08137},
year = {2025}
}