AutoSizer: Automatic Sizing of Analog and Mixed-Signal Circuits via Large Language Model (LLM) Agents
Dit artikel introduceert AutoSizer, een reflectief framework voor Large Language Model (LLM)-agenten dat het dimensioneren van analoge en gemengde signaalcircuits (AMS) automatiseert door circuitbegrip te verenigen met een tweeloops optimalisatieproces om zoekruimtes iteratief te verfijnen, en dat bovendien de AMS-SizingBench-benchmark biedt om de superieure prestaties ervan ten opzichte van traditionele en bestaande op LLM gebaseerde methoden aan te tonen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je probeert de perfecte taart te bakken, maar je hebt geen recept. Je kent alleen de ingrediënten (transistors) en het doel (een taart die heerlijk smaakt, niet te zwaar is en perfect rijst). In de wereld van de elektronica is het ontwerpen van "Analoge en Gemengde Signaal" (Analog and Mixed-Signal) circuits precies zo. Het is een spel met hoge inzet, waar kleine veranderingen in de grootte van een component een meesterwerk in een ramp kunnen veranderen.
Decennialang hebben ingenieurs geprobeerd dit te automatiseren met computers. Maar traditionele methoden zijn als een blinddoekige die darten gooit op een bord, in de hoop de bullseye te raken. Ze proberen miljoenen willekeurige combinaties, verspillen tijd en energie, en raken vaak vast in een "voldoende" oplossing die eigenlijk niet de beste is.
Onlangs zijn computers slimmer geworden met Grote Taalmodellen (LLMs)—dezelfde technologie achter chatbots die verhalen kunnen schrijven en raadsels kunnen oplossen. Mensen dachten: "Laten we de AI vragen het circuit te ontwerpen!" Maar er was een probleem: LLM's zijn geweldig in praten en redeneren, maar ze zijn slecht in het doen van precieze wiskunde. Ze kunnen zeggen: "Maak de transistor groter," maar ze kunnen niet precies berekenen hoeveel groter om het perfecte resultaat te krijgen.
Maar dan komt AutoSizer.
De auteurs van dit paper hebben een nieuw systeem ontwikkeld dat AutoSizer heet. Denk hierbij niet aan een enkele chef-kok, maar aan een team van expert-consultants die samenwerken in een lus om die perfecte taart te bakken.
Het Twee-Lus Team
AutoSizer werkt als een gesprek tussen twee verschillende rollen:
- De Innerlijke Lus (De Bakker): Dit is het deel dat het zware werk doet. Het probeert verschillende maten voor de componenten, voert een simulatie uit (een "proefbaksel") en bekijkt hoe het circuit presteert. Het gebruikt standaard wiskundige hulpmiddelen om de getallen bij te stellen.
- De Externe Lus (De Meester-Kritiek): Hier komt de "slimme" AI om de hoek kijken. Nadat de Bakker een paar dingen heeft geprobeerd, bekijkt de Kritiek de resultaten. Het stelt vragen zoals:
- "Waarom is de taart mislukt? Was de oven te heet?"
- "We blijven proberen het meel groter te maken, maar misschien moeten we in plaats daarvan de suiker aanpassen."
- "We zitten in een hoekje vast; laten we een volledig ander bereik aan ingrediënten proberen."
Als de Bakker vastzit, grijpt de Kritiek in, verandert de regels van het spel en zegt tegen de Bakker: "Oké, stop met proberen het meel te repareren. Laten we proberen de eieren aan te passen, en laten we een breder bereik aan eiermaten proberen."
De "Zelf-Reflectie" Magie
Het geheim van AutoSizer is reflectie. De meeste oude systemen blijven gewoon hetzelfde doen, keer op keer, totdat ze de tijd op hebben. AutoSizer is als een student die een toets maakt, een slechte cijfer krijgt, en dan nadenkt over waarom hij het fout had voordat hij het opnieuw probeert.
- Als de zoekruimte te groot is: De Kritiek zegt: "We kijken naar te veel opties. Laten we ons alleen richten op de top 3 ingrediënten die het belangrijkst zijn."
- Als de zoekruimte te klein is: De Kritiek zegt: "We zitten vast omdat we niet genoeg opties bekijken. Laten we onze zoektocht uitbreiden."
Deze heen-en-weer-gang stelt het systeem in staat om in real-time te leren van zijn fouten, zijn strategie verfijnend naarmate het vordert.
Het Nieuwe "Proefmenu" (AMS-SIZINGBENCH)
Om te bewijzen dat hun systeem werkt, hebben de auteurs het niet getest op slechts één type circuit. Ze hebben een nieuw, open-source "proefmenu" gecreëerd dat AMS-SIZINGBENCH heet.
Stel je een kookwedstrijd voor waarbij je 24 verschillende soorten gerechten moet bakken:
- Eenvoudige zoals een basis-inverter (zoals een lichtschakelaar).
- Gemiddelde zoals een versterker (zoals een volumeknop).
- Moeilijke zoals een spanningsregelaar (zoals een complexe temperatuurregelaar).
Ze testten AutoSizer tegen traditionele "dart-throwing" methoden en andere AI-agenten. De resultaten waren duidelijk:
- Snelheid: AutoSizer vond de beste ontwerpen veel sneller.
- Kwaliteit: De circuits die het ontwierp, presteerden beter.
- Betrouwbaarheid: Het slaagde er bijna 100% van de tijd in om een werkend ontwerp te vinden, zelfs bij de moeilijkste circuits, terwijl andere methoden vaak opgaven of faalden.
De Conclusie
Het paper beweert dat door het redeneervermogen van een slimme AI (de Kritiek) te combineren met precieze wiskundige optimalisatie (de Bakker), en ze in een lus met elkaar te laten praten, we het ontwerp van complexe elektronica veel beter kunnen automatiseren dan voorheen.
Ze hebben ook hun "proefmenu" (de benchmark) en hun code publiek gemaakt, zodat andere onderzoekers kunnen proberen hun record te verbeteren of op hun werk kunnen voortbouwen. Het is een stap in de richting van het sneller, goedkoper en betrouwbaarder maken van het ontwerp van toekomstige elektronica, zonder de menselijke ingenieurs te vervangen, maar hen juist een superkrachtige assistent te geven.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.