AutoSizer: Automatic Sizing of Analog and Mixed-Signal Circuits via Large Language Model (LLM) Agents
Dieser Beitrag stellt AutoSizer vor, ein reflexives Framework für Agenten auf Basis von Large Language Models (LLM), das die Dimensionierung analoger und gemischtsignaler (AMS) Schaltungen automatisiert, indem es das Schaltungsverständnis mit einem Zwei-Schleifen-Optimierungsprozess vereint, um Suchräume iterativ zu verfeinern, und gleichzeitig den AMS-SizingBench-Benchmark bereitstellt, um seine überlegene Leistung gegenüber traditionellen und bestehenden LLM-basierten Methoden nachzuweisen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, den perfekten Kuchen zu backen, haben aber kein Rezept. Sie kennen nur die Zutaten (Transistoren) und das Ziel (ein Kuchen, der hervorragend schmeckt, nicht zu schwer ist und perfekt aufgeht). In der Welt der Elektronik ist das Entwerfen von „Analog- und Mixed-Signal"-Schaltungen genau so. Es ist ein Spiel mit hohen Einsätzen, bei dem winzige Änderungen in der Größe einer Komponente ein Meisterwerk in eine Katastrophe verwandeln können.
Seit Jahrzehnten versuchen Ingenieure, dies mithilfe von Computern zu automatisieren. Doch traditionelle Methoden sind wie ein blinder Mensch, der mit verbundenen Augen auf ein Dartbrett wirft und hofft, die Mitte zu treffen. Sie probieren Millionen zufälliger Kombinationen aus, verschwenden Zeit und Energie und landen oft in einer „gut genug"-Lösung, die tatsächlich nicht die beste ist.
Vor kurzem wurden Computer mit Large Language Models (LLMs) intelligenter – derselbe Technologie, die Chatbots antreibt, die Geschichten schreiben und Rätsel lösen können. Die Leute dachten: „Lassen Sie uns die KI bitten, die Schaltung zu entwerfen!" Doch es gab ein Problem: LLMs sind großartig im Sprechen und Schlussfolgern, aber schrecklich im präzisen Rechnen. Sie könnten sagen: „Machen Sie den Transistor größer", aber sie können nicht genau berechnen, wie viel größer, um das perfekte Ergebnis zu erzielen.
Hier kommt AutoSizer ins Spiel.
Die Autoren dieses Papers haben ein neues System namens AutoSizer entwickelt. Stellen Sie es sich nicht als einen einzelnen Koch vor, sondern als ein Team aus Expertenberatern, das in einer Schleife zusammenarbeitet, um diesen perfekten Kuchen zu backen.
Das Zwei-Schleifen-Team
AutoSizer funktioniert wie ein Gespräch zwischen zwei unterschiedlichen Rollen:
- Die Innere Schleife (Der Bäcker): Dies ist der Teil, der die schwere Arbeit tatsächlich verrichtet. Er probiert verschiedene Größen für die Komponenten aus, führt eine Simulation (eine „Testbackerei") durch und sieht, wie die Schaltung performt. Er verwendet Standardmathematik-Tools, um die Zahlen anzupassen.
- Die Äußere Schleife (Der Meisterkritiker): Hier kommt die „intelligente" KI ins Spiel. Nachdem der Bäcker einige Dinge ausprobiert hat, betrachtet der Kritiker die Ergebnisse. Er stellt Fragen wie:
- „Warum ist der Kuchen misslungen? War der Ofen zu heiß?"
- „Wir versuchen ständig, das Mehl größer zu machen, aber vielleicht sollten wir stattdessen den Zucker ändern."
- „Wir stecken in einer Sackgasse; lassen Sie uns einen völlig anderen Bereich von Zutaten ausprobieren."
Wenn der Bäcker feststeckt, greift der Kritiker ein, ändert die Spielregeln und sagt dem Bäcker: „Okay, hören Sie auf, das Mehl zu reparieren. Versuchen Sie stattdessen, die Eier anzupassen, und probieren Sie einen breiteren Bereich von Eigrößen aus."
Der „Selbstreflexions"-Zauber
Das Geheimnis von AutoSizer ist die Reflexion. Die meisten alten Systeme machen einfach immer wieder dasselbe, bis die Zeit abgelaufen ist. AutoSizer ist wie ein Schüler, der eine Prüfung macht, eine schlechte Note bekommt und dann nachdenkt, warum er sie falsch gemacht hat, bevor er es erneut versucht.
- Ist der Suchraum zu groß: Sagt der Kritiker: „Wir betrachten zu viele Optionen. Konzentrieren wir uns nur auf die Top-3-Zutaten, die am wichtigsten sind."
- Ist der Suchraum zu klein: Sagt der Kritiker: „Wir stecken fest, weil wir nicht genug Optionen betrachten. Lassen Sie uns unsere Suche erweitern."
Dieses Hin und Her ermöglicht es dem System, in Echtzeit aus seinen Fehlern zu lernen und seine Strategie im Laufe der Zeit zu verfeinern.
Das neue „Degustationsmenü" (AMS-SIZINGBENCH)
Um zu beweisen, dass ihr System funktioniert, haben die Autoren es nicht nur an einer Art von Schaltung getestet. Sie haben ein neues, quelloffenes „Degustationsmenü" namens AMS-SIZINGBENCH erstellt.
Stellen Sie sich einen Kochwettbewerb vor, bei dem Sie 24 verschiedene Arten von Gerichten backen müssen:
- Einfache wie einen einfachen Inverter (wie ein Lichtschalter).
- Mittelschwere wie einen Verstärker (wie ein Lautstärkeregler).
- Schwierige wie einen Spannungsregler (wie eine komplexe Temperaturregelung).
Sie testeten AutoSizer gegen traditionelle „Dart-werfende"-Methoden und andere KI-Agenten. Die Ergebnisse waren klar:
- Geschwindigkeit: AutoSizer fand die besten Designs viel schneller.
- Qualität: Die von ihm entworfenen Schaltungen performten besser.
- Zuverlässigkeit: Es gelang ihm fast zu 100 %, ein funktionierendes Design zu finden, selbst bei den schwierigsten Schaltungen, während andere Methoden oft aufgaben oder scheiterten.
Das Fazit
Das Paper behauptet, dass durch die Kombination der Schlussfolgerungskraft einer intelligenten KI (des Kritikers) mit präziser mathematischer Optimierung (des Bäckers) und indem man sie in einer Schleife miteinander sprechen lässt, wir das Design komplexer Elektronik viel besser automatisieren können als zuvor.
Sie haben auch ihr „Degustationsmenü" (den Benchmark) und ihren Code öffentlich gemacht, damit andere Forscher versuchen können, ihren Rekord zu schlagen oder auf ihrer Arbeit aufzubauen. Es ist ein Schritt hin dazu, das Design zukünftiger Elektronik schneller, günstiger und zuverlässiger zu machen, ohne die menschlichen Ingenieure zu ersetzen, sondern ihnen vielmehr einen übermenschlich starken Assistenten an die Seite zu stellen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.