💻 computer science

AnalogRetriever: Learning Cross-Modal Representations for Analog Circuit Retrieval

AnalogRetriever est un cadre de recherche tri-modal qui permet de retrouver des circuits analogiques en reliant des schémas, des descriptions textuelles et des netlists SPICE dans un espace de représentation partagé, améliorant ainsi significativement la conception de circuits via la génération augmentée par la recherche.

Auteurs originaux : Yihan Wang, Lei Li, Yao Lai, Jing Wang, Yan Lu

Publié 2026-04-28

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Yihan Wang, Lei Li, Yao Lai, Jing Wang, Yan Lu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Problème : Le "Casse-tête" de l'Ingénieur en Électronique

Imaginez que vous soyez un chef cuisinier qui doit préparer un plat complexe. Pour réussir, vous avez besoin de trois choses : une recette écrite (le texte), une photo du plat fini (le schéma) et la liste précise des ingrédients avec leurs quantités (le code SPICE).

Le problème, c'est qu'actuellement, dans le monde de l'électronique analogique (les circuits qui gèrent les signaux réels, comme le son ou la lumière), ces trois éléments sont totalement séparés. Si vous cherchez une "recette" de circuit en tapant du texte, l'ordinateur ne sait pas vous montrer l'image correspondante ou le code technique. C'est comme si vous demandiez à Google : "Montre-moi une photo de ce que contient cette liste d'ingrédients", et qu'il vous répondait : "Désolé, je ne comprends pas le lien entre les deux".

Les ingénieurs perdent un temps fou à chercher manuellement dans des vieux manuels ou des dossiers pour retrouver un circuit qui fonctionne déjà.

La Solution : "AnalogRetriever", le Traducteur Universel

Les chercheurs ont créé AnalogRetriever. Imaginez que ce soit un traducteur universel ultra-intelligent qui parle trois langues parfaitement : le Français (le texte), l'Italien (l'image du schéma) et l'Allemand (le code technique du circuit).

Grâce à ce système, peu importe comment vous posez votre question, l'ordinateur comprend l'idée profonde (la "sémantique") derrière votre demande :

Si vous écrivez : "Je veux un amplificateur qui ne chauffe pas trop".
Si vous montrez une photo d'un circuit similaire.
Si vous donnez un bout de code technique.

... l'outil est capable de vous dire : "Ah ! Je vois exactement de quoi vous parlez. Voici le schéma, la description et le code complet qui correspondent."

Comment ont-ils fait ? (Les trois secrets de la recette)

Pour que ce traducteur soit aussi doué, ils ont utilisé trois techniques :

Le Grand Nettoyage (Le tri des ingrédients) : Les bases de données existantes étaient pleines d'erreurs (comme des recettes de cuisine qui disent de mettre du sel mais oublient de dire combien). Ils ont utilisé une Intelligence Artificielle pour "réparer" les circuits cassés et s'assurer que chaque recette est parfaite et testée.
Le Regard de l'Expert (Le réseau RGCN) : Un circuit n'est pas juste une liste de composants. C'est une question de connexions. Si vous branchez un fil sur la "porte" d'un composant plutôt que sur sa "sortie", tout change. Ils ont appris à l'ordinateur à regarder les circuits avec l'œil d'un expert, en comprenant précisément où chaque fil est branché.
L'Entraînement Progressif (L'école de l'élève) : On n'apprend pas à un enfant à résoudre des équations quantiques dès le premier jour. Ils ont entraîné l'IA par étapes : d'abord les bases, puis les choses simples, et enfin les cas très difficiles où deux circuits se ressemblent beaucoup mais ne font pas la même chose.

Pourquoi c'est une révolution ? (L'effet "Coup de pouce")

Le papier montre que ce système ne sert pas qu'à chercher. On peut l'utiliser pour aider d'autres IA (comme les modèles de type ChatGPT) à créer des circuits.

C'est ce qu'ils appellent le RAG (la génération augmentée par la recherche). C'est comme si, au lieu de laisser un étudiant rédiger un examen de mémoire, on lui donnait un livre ouvert avec les bonnes réponses juste à côté de lui. Résultat : l'IA fait beaucoup moins d'erreurs et crée des circuits qui fonctionnent vraiment du premier coup.

En résumé

AnalogRetriever, c'est le pont qui relie enfin le langage humain, le dessin technique et le code informatique pour permettre aux ingénieurs de concevoir l'électronique de demain beaucoup plus vite et sans erreurs.

Résumé Technique : AnalogRetriever

1. Problématique (Le Problème)

La conception de circuits analogiques repose massivement sur la réutilisation de propriétés intellectuelles (IP) existantes. Cependant, la recherche d'informations est actuellement fragmentée et inefficace. Les ingénieurs doivent naviguer manuellement entre des représentations hétérogènes :

Textuelles : Descriptions fonctionnelles et spécifications.
Visuelles : Schémas de circuits (schematics).
Codées : Netlists SPICE (code de simulation).

Les méthodes existantes se limitent souvent à la recherche par mots-clés au sein d'une seule modalité, échouant à capturer les relations sémantiques entre un texte, une image et un code. De plus, les modèles de vision-langage pré-entraînés (comme CLIP) ne sont pas adaptés aux schémas de circuits, qui sont des dessins abstraits avec des symboles spécifiques, et les jeux de données existants (comme MASALA-Chai) souffrent d'un taux de compilation très faible (22 %).

2. Méthodologie (L'Approche)

Les auteurs proposent AnalogRetriever, un cadre de recherche trimodal unifié. Leur approche repose sur trois piliers techniques :

A. Raffinement du Dataset (Pipeline de réparation en deux étapes)

Pour créer un jeu de données de haute qualité, ils ont utilisé un pipeline basé sur les LLM et le simulateur Ngspice :

Réparation initiale : Un LLM répare les erreurs de syntaxe et de modèles SPICE.
Raffinement par rétroaction : Un "modèle enseignant" utilise les logs d'erreurs de simulation DC (point de fonctionnement continu) pour corriger itérativement les netlists jusqu'à ce qu'elles soient valides.
Résultat : Le taux de compilation et de réussite des simulations est passé de ~11-22 % à 100 %.

B. Architecture d'Encodage Trimode

Le modèle projette les trois modalités dans un espace d'embedding partagé de dimension $d=768$ :

Image & Texte : Utilisation de CLIP (ViT-L/14 pour l'image et Transformer pour le texte). Les couches inférieures de CLIP sont gelées pour éviter l'oubli catastrophique tout en adaptant les couches supérieures au domaine des circuits.
Netlists (Code) : Utilisation d'un Réseau de Convolution Graphique Relationnel (RGCN) sensible aux ports. Contrairement à un GCN classique, le RGCN distingue les connexions selon le type de terminal (grille, drain, source, etc.), ce qui est crucial pour capturer la topologie électrique précise. Un mécanisme d'attention pooling permet ensuite de pondérer l'importance des composants critiques.

C. Stratégie d'Entraînement (Curriculum Learning)

Pour stabiliser l'entraînement d'un encodeur de graphe (initialisé aléatoirement) avec un modèle CLIP (pré-entraîné), ils utilisent un apprentissage par étapes :

Phase 1 (Warm-up) : Entraînement de l'encodeur de graphe seul pour l'aligner sur l'espace CLIP existant.
Phase 2 (Transition) : Dégel de CLIP et apprentissage contrastif complet sur les six directions de recherche.
Phase 3 (Hard Negative Mining) : Introduction progressive de "négatifs difficiles" (circuits ayant des fonctions similaires mais des topologies différentes) pour affiner la discrimination du modèle.

3. Contributions Clés

Cadre de recherche trimodal : Première méthode capable de lier texte, schémas et netlists dans un espace sémantique unique.
Encodeur RGCN sensible aux ports : Une innovation permettant de capturer la sémantique électrique fine des composants.
Apprentissage par curriculum guidé : Une méthode robuste pour l'alignement de modalités hétérogènes.
Dataset de haute qualité : Un jeu de données de 6 354 triplets vérifiés par simulation, prêt pour l'industrie.

4. Résultats

Performance de recherche : AnalogRetriever atteint un Recall@1 moyen de 75,2 % sur les six directions de recherche croisée, surpassant les meilleures bases de référence (comme CROP) de plus de 15 fois.
Amélioration mutuelle : L'ajout de la modalité "code" améliore même les performances de recherche texte-image, prouvant que les indices topologiques enrichissent l'espace sémantique global.
Intégration RAG (Retrieval-Augmented Generation) : Intégré à l'agent AnalogCoder, le système améliore le taux de réussite fonctionnelle des LLM de +5,6 % en moyenne. Sur Claude Sonnet 4.6, il atteint un nouveau record de 86,7 % de réussite.

5. Signification et Impact

Ce travail marque une avancée majeure pour l'automatisation de la conception analogique (EDA). En permettant aux ingénieurs de trouver des topologies éprouvées via des requêtes en langage naturel et en fournissant des exemples concrets aux modèles génératifs (LLM), AnalogRetriever réduit les erreurs de conception (hallucinations topologiques) et accélère considérablement le cycle de conception, abaissant ainsi la barrière à l'entrée pour les concepteurs juniors.