Résumé Technique : AUTOSIZER

Énoncé du Problème

La conception de circuits intégrés analogiques et mixtes (AMS) demeure un goulot d'étranglement majeur dans l'automatisation de la conception électronique (EDA), en particulier en ce qui concerne le dimensionnement des transistors. Cette tâche se caractérise par des espaces de conception de haute dimension, des comportements de circuit non linéaires et des contraintes de performance strictes. Les méthodes d'optimisation traditionnelles, telles que l'optimisation bayésienne (BO), l'apprentissage par renforcement (RL) et les algorithmes génétiques, traitent généralement le circuit comme une boîte noire statique. Bien que ces méthodes aient amélioré l'efficacité des échantillons par rapport aux approches par force brute, elles échouent souvent à s'adapter aux dynamiques intermédiaires d'optimisation, ignorent l'expertise analogique spécifique au domaine et peinent à gérer les régions de faisabilité clairsemées dans les circuits complexes.

Bien que les grands modèles de langage (LLM) aient démontré de solides capacités de raisonnement dans les domaines scientifiques, les agents basés sur les LLM existants pour la conception de circuits reposent souvent sur des algorithmes d'optimisation fixes et des flux de travail à étape unique. Ces agents interprètent les listes de connexions (netlists) de circuits et appliquent des stratégies prédéterminées sans réflexion itérative ni raffinement piloté par les retours d'expérience de l'espace de recherche lui-même. Par conséquent, ils manquent de la capacité d'adapter dynamiquement le processus d'optimisation en réponse aux résultats de simulation, limitant ainsi leur robustesse face à des topologies AMS diverses et complexes.

Méthodologie : Le Cadre AUTOSIZER

Pour pallier ces limitations, les auteurs proposent AUTOSIZER, un cadre méta-optimisation réflexif piloté par un LLM. AUTOSIZER unifie la compréhension du circuit, la construction adaptative de l'espace de recherche et l'orchestration de l'optimisation dans une architecture fermée à deux boucles.

1. Architecture d'Optimisation à Deux Boucles

Le cadre fonctionne via une boucle interne et une boucle externe :

• Boucle Interne (Dimensionnement Numérique) : Cette boucle effectue le dimensionnement réel du circuit en utilisant un moteur d'optimisation configurable. Elle prend en charge plusieurs algorithmes, notamment l'échantillonnage hypercube latin (LHS), les algorithmes génétiques (GA), l'optimisation bayésienne (BO) et le recuit simulé (SA). La boucle interne évalue les conceptions candidates via une simulation de circuit par rapport à des spécifications définies par l'utilisateur et une figure de mérite (FoM).
• Boucle Externe (Raffinement Réflexif de l'Espace de Recherche) : Cette boucle analyse l'historique de l'optimisation, le comportement de convergence et la satisfaction des contraintes issus de la boucle interne. Sur la base de cette analyse, elle effectue une réflexion pour raffiner itérativement l'espace de recherche. Cela implique d'ajuster les priorités des variables, d'étendre ou de resserrer les plages de paramètres, et de réactiver des variables précédemment figées.

2. Flux de Travail Multi-Agents

AUTOSIZER emploie des agents LLM spécialisés pour gérer les différentes étapes du flux de travail :

• Agent de Compréhension du Circuit : Analyse la liste de connexions du circuit et les spécifications de l'utilisateur pour identifier la topologie, les variables de dimensionnement clés et leurs rôles fonctionnels. Il infère les sensibilités de performance et les compromis (par exemple, comment la largeur d'un transistor affecte le gain par rapport à la consommation) pour guider la recherche.
• Agent de Décision sur l'Espace de Recherche : Utilise la sortie de la compréhension du circuit pour prioriser les variables et assigner dynamiquement des plages faisables. Il vise à réduire la dimensionnalité de l'espace de recherche en se concentrant sur les paramètres à fort impact tout en figeant les moins critiques, améliorant ainsi l'efficacité des échantillons.
• Agent d'Orchestration de l'Optimisation : Sélectionne et configure l'algorithme d'optimisation pour la boucle interne en fonction de l'étape actuelle (exploration vs exploitation), de l'historique de simulation disponible et des caractéristiques de l'espace de recherche.

3. Construction Adaptative de l'Espace de Recherche

Inspirée des pratiques de conception analogique, AUTOSIZER emploie une stratégie progressive pilotée par les retours d'expérience. Elle commence par un espace de recherche compact défini par un petit ensemble de variables à fort impact. Si l'optimisation stagne ou échoue à trouver des solutions faisables, la boucle externe reformule systématiquement le problème en « défigeant » des variables ou en élargissant leurs plages. Cela permet au système de se remettre de hypothèses initiales sous-optimales et d'explorer des régions prometteuses qui avaient été initialement exclues.

Contributions Clés

L'article présente trois contributions principales :

1. Cadre AUTOSIZER : Un cadre LLM multi-agents qui formule le dimensionnement AMS comme un problème de méta-optimisation. Il intègre la compréhension du circuit, la construction adaptative de l'espace de recherche et l'orchestration d'algorithmes dans un flux de travail unifié en boucle fermée. Le cadre se distingue en permettant au LLM non seulement d'interpréter le circuit, mais de modifier activement la stratégie d'optimisation et l'espace de recherche en fonction des retours de simulation.
2. AMS-SIZINGBENCH : Une nouvelle suite de référence open-source construite sur la technologie CMOS SKY130. Elle comprend 24 circuits analogiques et mixtes divers (y compris des OTA, des oscillateurs, des filtres, des références de tension et des régulateurs) couvrant une large gamme de complexités de conception. Chaque instance inclut des listes de connexions standardisées, des variables de dimensionnement, des contraintes et un flux de simulation complet pour faciliter une évaluation reproductible et une comparaison équitable des politiques d'optimisation adaptative.
3. Évaluation Complète : Des expériences extensives sur AMS-SIZINGBENCH démontrent que AUTOSIZER surpasse systématiquement les méthodes d'optimisation traditionnelles (GA, BO, TuRBO) et les agents basés sur les LLM existants (ADO-LLM, LEDRO, EE-Sizer) en termes de vitesse de convergence, de qualité de la solution (FoM) et de taux de réussite, en particulier sur des conceptions difficiles aux contraintes serrées.

Résultats Expérimentaux

Les auteurs ont évalué AUTOSIZER par rapport à des bases de référence traditionnelles et d'autres agents basés sur les LLM à travers les divisions de difficulté Facile, Moyenne et Difficile d'AMS-SIZINGBENCH.

• Performance : AUTOSIZER a atteint un taux de réussite de 100 % sur tous les niveaux de difficulté, surpassant significativement les méthodes traditionnelles (qui chutaient à 25–50 % de réussite sur les circuits difficiles) et les autres agents LLM (qui variaient de 41 % à 80 % sur les circuits difficiles).
• Efficacité : Le cadre a nécessité moins d'évaluations pour atteindre la meilleure solution par rapport aux bases de référence, démontrant une efficacité d'échantillonnage supérieure.
• Études d'Ablation : La suppression de la Boucle de Réflexion (SRL) a entraîné une baisse de 39,4 % du FoM et une réduction drastique du taux de réussite (de 100 % à 20 %), soulignant que le raffinement itératif est plus critique que les décisions initiales sur l'espace de recherche. L'étude a également révélé que la synergie entre la Compréhension du Circuit et la Décision sur l'Espace de Recherche est vitale ; sans une compréhension précise du circuit, la réduction de l'espace de recherche peut conduire à des résultats sous-optimaux.
• Dynamiques Adaptatives : L'analyse du processus d'optimisation a montré que AUTOSIZER commute dynamiquement entre des stratégies d'exploration (par exemple, LHS, GA) et d'exploitation (par exemple, BO, SA) et adapte l'espace de recherche (élargissement des plages ou défigement des variables) en fonction de la détection de stagnation, une capacité absente des bases de référence à stratégie fixe.

Importance et Revendications

Les auteurs positionnent AUTOSIZER comme une étape vers une automatisation fiable et évolutive de la conception de circuits AMS pilotée par les LLM. Ils affirment que, en traitant le dimensionnement comme un problème de méta-optimisation réflexif, le cadre surmonte la rigidité des agents existants qui reposent sur des espaces de recherche fixes ou des flux de travail à étape unique. L'introduction d'AMS-SIZINGBENCH est présentée comme une fondation nécessaire pour une évaluation systématique et reproductible dans ce domaine, répondant au manque de références standardisées pour des topologies de circuits diverses.

L'article souligne que le cadre est conçu pour augmenter les concepteurs humains plutôt que de les remplacer. Le raisonnement généré par le LLM sert d'outil interprétable pour l'éducation et la vérification, les conceptions finales nécessitant des flux de vérification standard avant la fabrication. Les auteurs expriment l'espoir qu'AUTOSIZER et la référence accompagnante faciliteront les recherches futures sur l'automatisation de la conception assistée par l'IA, adaptative, efficace en données et robuste pour des systèmes analogiques et mixtes complexes.