TopoSizing：一种基于拓扑的大语言模型辅助AMS电路理解与规模化框架
机器学习
2025-09-18 v1
摘要
模拟和混合信号电路设计因高质量数据短缺以及难以将领域知识嵌入自动化流程而仍然具有挑战性。传统的黑箱优化方法在抽样效率方面表现出色，但缺乏电路理解，常导致在设计空间的低价值区域浪费评估。在 contrast, 基于学习的方法嵌入了结构知识，但具有案例特定性且 retraining代价高。最近的大语言模型尝试显示出潜力，但常依赖人工干预，限制了普适性和透明性。我们提出TopoSizing，一个能够直接从原始 netlist 执行健壮电路理解，并将此知识转化为优化收益的端到端框架。我们的方法首先应用图算法将电路组织为分层器件-模块-阶段表示。LLM 代理随后执行内置一致性检查的迭代假设-验证-细化循环，生成显式注释。经过验证的见解通过LLM引导的初始抽样和基于停滞触发的信任区域更新整合到贝叶斯优化中，在保持可行性的同时提高效率。
关键词
引用
@article{arxiv.2509.14169,
title = {TopoSizing: An LLM-aided Framework of Topology-based Understanding and Sizing for AMS Circuits},
author = {Ziming Wei and Zichen Kong and Yuan Wang and David Z. Pan and Xiyuan Tang},
journal= {arXiv preprint arXiv:2509.14169},
year = {2025}
}