AutoSizer: Automatic Sizing of Analog and Mixed-Signal Circuits via Large Language Model (LLM) Agents
यह शोध पत्र AutoSizer को प्रस्तुत करता है, जो एक रिफ्लेक्टिव (reflective) लार्ज लैंग्वेज मॉडल (LLM) एजेंट फ्रेमवर्क है जो सर्किट समझ को दो-लूप अनुकूलन प्रक्रिया के साथ एकीकृत करके एनालॉग और मिक्स्ड-सिग्नल (AMS) सर्किट साइजिंग को स्वचालित करता है ताकि खोज स्थानों (search spaces) को पुनरावृत्ति से परिष्कृत किया जा सके, और साथ ही पारंपरिक और मौजूदा LLM-आधारित विधियों पर इसके उत्कृष्ट प्रदर्शन को प्रदर्शित करने के लिए AMS-SizingBench बेंचमार्क भी प्रदान करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक बेहतरीन केक बनाने की कोशिश कर रहे हैं, लेकिन आपके पास कोई रेसिपी नहीं है। आप केवल सामग्री (ट्रांजिस्टर) जानते हैं (और आपका लक्ष्य एक ऐसा केक बनाना है जो स्वाद में लाजवाब हो, बहुत भारी न हो, और पूरी तरह से फूला हुआ हो)। इलेक्ट्रॉनिक्स की दुनिया में, एनालॉग और मिक्स-सिग्नल (Analog and Mixed-Signal) सर्किट डिजाइन करना बिल्कुल इसी तरह है। यह एक उच्च-दांव वाला खेल है जहाँ एक घटक के आकार में मामूली बदलाव भी एक उत्कृष्ट कृति को आपदा में बदल सकता है।
दशकों से, इंजीनियरों ने इसे कंप्यूटरों का उपयोग करके स्वचालित करने की कोशिश की है। लेकिन पारंपरिक तरीके एक अंधे व्यक्ति द्वारा बोर्ड पर तीर फेंकने की तरह हैं, जो बस इस उम्मीद में तीर चला रहा है कि वह निशाने पर लगेगा। वे लाखों रैंडम संयोजनों को आजमाते हैं, जिससे समय और ऊर्जा बर्बाद होती है, और अक्सर वे एक ऐसे "काफी अच्छे" समाधान में फंस जाते हैं जो वास्तव में सबसे अच्छा नहीं होता।
हाल ही में, कंप्यूटर अधिक स्मार्ट हो गए हैं लार्ज लैंग्वेज मॉडल्स (LLMs) के साथ—वही तकनीक जो चैटबॉट्स के पीछे है जो कहानियाँ लिख सकते हैं और पहेलियाँ सुलझा सकते हैं। लोगों ने सोचा, "चलो AI से सर्किट डिजाइन करने के लिए कहते हैं!" लेकिन एक समस्या थी: LLMs बात करने और तर्क करने में तो माहिर हैं, लेकिन वे सटीक गणित करने में बहुत खराब हैं। वे कह सकते हैं, "ट्रांजिस्टर को बड़ा करें," लेकिन वे यह गणना नहीं कर सकते कि सटीक रूप से कितना बड़ा करना है ताकि परिणाम एकदम सही मिले।
पेश है AutoSizer।
इस पेपर के लेखकों ने AutoSizer नामक एक नया सिस्टम बनाया है। इसे एक अकेले शेफ के रूप में नहीं, बल्कि एक साथ काम करने वाले विशेषज्ञ सलाहकारों की एक टीम के रूप में सोचें जो उस बेहतरीन केक को बनाने के लिए मिलकर काम करते हैं।
दो-लूप वाली टीम (The Two-Loop Team)
AutoSizer दो अलग-अलग भूमिकाओं के बीच एक बातचीत की तरह काम करता है:
- इनर लूप (द बेकर - द बेकर): यह वह हिस्सा है जो वास्तव में भारी काम करता है। यह घटकों के विभिन्न आकार आजमाता है, एक सिमुलेशन (एक "टेस्ट बेक") चलाता है, और देखता है कि सर्किट कैसा प्रदर्शन करता है। यह नंबरों को बदलने के लिए मानक गणितीय उपकरणों का उपयोग करता है।
- आउटर लूप (द मास्टर क्रिटिक - द मास्टर क्रिटिक): यहाँ "स्मार्ट" AI आता है। बेकर द्वारा कुछ चीजें आजमाने के बाद, क्रिटिक परिणामों को देखता है। वह सवाल पूछता है जैसे:
- "केक क्यों विफल हुआ? क्या ओवन बहुत गर्म था?"
- "हम बार-बार आटे को बड़ा करने की कोशिश कर रहे हैं, लेकिन शायद हमें चीनी को बदलने की जरूरत है।"
- "हम एक कोने में फंस गए हैं; चलिए कुछ बिल्कुल अलग सामग्री का प्रयास करते हैं।"
यदि बेकर फंस जाता है, तो क्रिटिक हस्तक्षेप करता है, खेल के नियम बदल देता है, और बेकर को बताता है, "ठीक है, आटे को ठीक करने की कोशिश करना बंद करो। चलो अंडे के बजाय अंडों को एडजस्ट करने की कोशिश करते हैं, और आइए अंडों के आकार की एक विस्तृत रेंज आज़माते हैं।"
"सेल्फ-रिफ्लेक्शन" का जादू (The "Self-Reflection" Magic)
AutoSizer का असली मंत्र रिफ्लेक्शन (आत्म-चिंतन) है। अधिकांश पुराने सिस्टम बस तब तक एक ही चीज़ करते रहते हैं जब तक कि उनके पास समय समाप्त न हो जाए। AutoSizer एक ऐसे छात्र की तरह है जो एक टेस्ट देता है, खराब ग्रेड पाता है, और फिर दोबारा प्रयास करने से पहले यह सोचता है कि उसने कहाँ गलती की।
- यदि सर्च स्पेस बहुत बड़ा है: क्रिटिक कहता है, "हम बहुत सारे विकल्पों को देख रहे हैं। आइए केवल उन शीर्ष 3 सामग्रियों पर ध्यान केंद्रित करें जो सबसे महत्वपूर्ण हैं।"
- यदि सर्च स्पेस बहुत छोटा है: क्रिटिक कहता है, "हम इसलिए फंस गए हैं क्योंकि हम पर्याप्त विकल्पों को नहीं देख रहे हैं। आइए अपनी खोज का विस्तार करें।"
यह आपसी संवाद उन्हें वास्तविक समय में अपनी गलतियों से सीखने, और चलते समय अपनी रणनीति को परिष्कृत करने की अनुमति देता है।
नया "टेस्टिंग मेनू" (AMS-SIZINGBENCH)
यह साबित करने के लिए कि उनका सिस्टम काम करता है, लेखकों ने केवल एक प्रकार के सर्किट पर परीक्षण नहीं किया। उन्होंने एक नया, ओपन-सोर्स "टेस्टिंग मेनू" बनाया जिसे AMS-SIZINGBENCH कहा जाता है।
एक कुकिंग प्रतियोगिता की कल्पना करें जहाँ आपको 24 अलग-अलग प्रकार के व्यंजन बनाने हैं:
- साधारण जैसे कि एक बेसिक इन्वर्टर (जैसे एक लाइट स्विच)।
- मध्यम जैसे कि एक एम्पलीफायर (जैसे एक वॉल्यूम नॉब)।
- कठिन जैसे कि एक वोल्टेज रेगुलेटर (जैसे एक जटिल तापमान नियंत्रक)।
उन्होंने AutoSizer का परीक्षण पारंपरिक "तीर फेंकने वाले" तरीकों और अन्य AI एजेंटों के खिलाफ किया। परिणाम स्पष्ट थे:
- गति (Speed): AutoSizer ने बहुत तेज़ी से सर्वोत्तम डिज़ाइन खोजे।
- गुणवत्ता (Quality): इसके द्वारा डिज़ाइन किए गए सर्किट बेहतर प्रदर्शन करते हैं।
- विश्वसनीयता (Reliability): यह कठिन से कठिन सर्किटों पर भी लगभग 100% समय एक काम करने वाला डिज़ाइन खोजने में सफल रहा, जबकि अन्य विधियाँ अक्सर हार मान लेती थीं या विफल हो जाती थीं।
निष्कर्ष (The Bottom Line)
पेपर का दावा है कि एक स्मार्ट AI (क्रिटिक) की तर्क शक्ति को सटीक गणितीय अनुकूलन (बेकर) के साथ जोड़कर, और उन्हें एक लूप में एक-दूसरे से बात करने देकर, हम पहले की तुलना में जटिल इलेक्ट्रॉनिक्स के डिजाइन को बहुत बेहतर तरीके से स्वचालित कर सकते हैं।
उन्होंने अपने "टेस्टिंग मेनू" (बेंचमार्क) और अपने कोड को सार्वजनिक भी किया है, ताकि अन्य शोधकर्ता उनका रिकॉर्ड तोड़ सकें या उनके काम को आगे बढ़ा सकें। यह भविष्य के इलेक्ट्रॉनिक्स के डिजाइन को तेज़, सस्ता और अधिक विश्वसनीय बनाने की दिशा में एक कदम है, जो मानव इंजीनियरों को बदलने के लिए नहीं, बल्कि उन्हें एक सुपर-पावर्ड असिस्टेंट देने के लिए है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।