AnalogToBi: Device-Level Analog Circuit Topology Generation via Bipartite Graph and Grammar Guided Decoding

Dit artikel introduceert AnalogToBi, een framework voor de automatische generatie van device-level analoge circuittopologieën dat via een bipartiete graafrepresentatie, een circuittype-token voor functionele controle en grammatica-gestuurde decoding hoge mate van geldigheid en originaliteit bereikt zonder menselijke tussenkomst.

De kern

Stel je voor dat het ontwerpen van een analoge elektronische schakeling (zoals die in je telefoon of auto zitten) lijkt op het bouwen van een heel complex legpuzzel. Maar in plaats van stukjes met plaatjes, zijn het duizenden kleine onderdelen (transistors, weerstanden) die op de juiste manier met elkaar verbonden moeten worden om een specifieke taak te doen, zoals een geluid versterken of een signaal vergelijken.

Vroeger moesten dit allemaal slimme ingenieurs doen, handmatig, jarenlang ervaring nodig. Nu proberen computers dit te leren, maar tot nu toe waren die 'AI-bouwers' vaak wat onhandig: ze maakten schakelingen die niet werkten, of ze kopieerden gewoon wat ze eerder hadden gezien zonder echt iets nieuws te bedenken.

Deze paper introduceert AnalogToBi, een nieuwe, slimme manier om die computers te leren hoe ze zelf nieuwe, werkende schakelingen moeten ontwerpen. Hier is hoe het werkt, vertaald naar alledaagse termen:

1. Het "Bestek" in plaats van de "Lijst" (Het Bipartiete Grafiek)

Stel je voor dat je een recept schrijft. De oude AI's schreven een lijst: "Neem pan, voeg ei toe, voeg melk toe, roer, voeg pan toe..." Maar als je de volgorde een beetje verwisselt, is het een soep in plaats van een pannenkoek. Ze memoriseerden de lijst, maar begrepen niet waarom de ingrediënten samenwerkten.

AnalogToBi doet het anders. Het gebruikt een twee-wegen systeem (een bipartiete grafiek).

• Weg A: De onderdelen (de transistors).
• Weg B: De verbindingen (de draden of 'netten').
• De magie: De AI leert niet een lange lijst uit het hoofd, maar kijkt naar hoe de onderdelen en de draden met elkaar omgaan. Het is alsof je niet een lijst met instructies leert, maar een kaart van een stad waar je ziet welke wegen (draden) welke gebouwen (onderdelen) verbinden. Hierdoor begrijpt de AI de structuur van de schakeling, niet alleen de volgorde van woorden.

2. De "Reisgids" (Grammatica-Gestuurde Decoding)

Zelfs als je een goede kaart hebt, kun je nog steeds op een muur lopen als je niet weet hoe je moet rijden. Als de AI een draad tekent die nergens naartoe gaat, is de schakeling kapot (elektrisch ongeldig).

AnalogToBi gebruikt een Reisgids (een grammatica).

• Stel je voor dat de AI een speler is in een bordspel. De Reisgids zegt: "Je mag nu alleen een 'draad' leggen als je net een 'onderdeel' hebt geplaatst. Je mag nooit een 'onderdeel' zetten als er geen draad bij is."
• Dit zorgt ervoor dat de AI nooit een onmogelijke schakeling maakt. Het is alsof de AI een auto heeft die fysiek niet kan rijden over een muur; de regels dwingen hem om alleen op de weg te blijven.

3. De "Naamloze" Truc (Data Augmentation met Hernoeming)

Dit is misschien wel het slimste trucje. Stel je voor dat je een kind leert een huis te bouwen. Als je altijd zegt: "Plaak deze baksteen (naam: Baksteen-1) hier, en die baksteen (naam: Baksteen-2) daar", dan leert het kind de namen uit het hoofd, niet het bouwsel. Als je later vraagt om een huis met "Baksteen-3", raakt het in de war.

AnalogToBi gebruikt naamloze bakstenen.

• De AI ziet een transistor niet als "Transistor-1", maar gewoon als "Een transistor".
• Tijdens het leren worden de namen van de onderdelen willekeurig gewisseld (hernoemd). Wat eerst "Transistor-1" heette, heet nu "Transistor-7".
• Hierdoor leert de AI: "Het maakt niet uit wat de naam is, het gaat erom hoe ze verbonden zijn." Dit zorgt ervoor dat de AI echt creatief wordt en nieuwe, unieke ontwerpen bedenkt in plaats van oude kopieën te maken.

4. De "Bestelling" (Circuit Type Token)

Vroeger vroeg de AI: "Wat wil je bouwen?" en de computer dacht: "Laat ik maar iets willekeurigs maken."
Nu kun je de AI een specifiek menu-item geven.

• Je zegt: "Ik wil een Versterker (OpAmp)."
• De AI weet dan precies welk type bouwplaatje ze moet zoeken. Ze hoeft niet te raden, maar bouwt precies wat je vraagt, met de juiste eigenschappen.

Het Resultaat: Een Revolutionaire Bouwer

In tests bleek dat deze nieuwe methode (AnalogToBi) wonderen doet:

• 97,8% van de door de AI bedachte schakelingen werkt echt (ze zijn elektrisch geldig).
• 92,1% is een nieuwe, unieke vondst die nog nooit eerder door mensen of andere AI's is bedacht.
• De AI kan zelfs schakelingen ontwerpen die beter presteren dan die van menselijke experts, zonder dat er een mens hoeft te helpen met het fijnstellen van de onderdelen.

Kortom: AnalogToBi is als een meester-bouwer die niet alleen de blauwdrukken uit het hoofd leert, maar echt begrijpt hoe een stad (schakeling) werkt. Hij volgt strikte regels om geen fouten te maken, verandert de namen van de materialen om creatief te blijven, en bouwt precies het type huis dat je bestelt. Hierdoor kunnen we in de toekomst veel sneller en goedkoper nieuwe elektronica ontwerpen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "AnalogToBi: Device-Level Analog Circuit Topology Generation via Bipartite Graph and Grammar Guided Decoding" in het Nederlands.

Probleemstelling

Het automatisch genereren van analoge schakelingstopologieën op apparaatniveau (device-level) blijft een fundamentele uitdaging in de automatisering van analoge ontwerp (EDA). Hoewel recente transformer-gebaseerde benaderingen veelbelovend zijn, kampen ze met drie belangrijke beperkingen:

1. Beperkte functionele controle: Het is moeilijk om de generatie te sturen naar een specifiek circuittype (bijv. een versterker versus een comparator).
2. Overmatig memoriseren: Modellen hebben de neiging om trainingsdata te memoriseren in plaats van nieuwe, geldige structuren te leren, wat leidt tot gebrek aan innovatie.
3. Elektrische ongeldigheid: De gegenereerde circuits zijn vaak elektrisch ongeldig (bijv. zwevende knopen of kortsluitingen) en kunnen niet direct worden omgezet in SPICE-netlists.

Bestaande methoden vertrouwen vaak op menselijke experts voor het initialiseren van topologieën of vereisen complexe, mens-in-de-lus (HITL) versterkingsleer, wat de schaalbaarheid beperkt.

Methodologie: AnalogToBi

De auteurs stellen AnalogToBi voor, een nieuw raamwerk voor de generatie van device-level analoge circuits. Het systeem gebruikt een compacte decoder-only Transformer (11,3 miljoen parameters) die van nul wordt getraind en rust op vier kerninnovaties:

1. Circuit Type Token voor Functionele Controle
In plaats van te beginnen met een vast referentietoken (zoals VSS), ontvangt het model een specifiek "circuit type token" (bijv. OpAmp, Comparator) als input van de gebruiker. Dit stelt de decoder in staat om de generatie expliciet te conditioneren op de gewenste functionaliteit, waardoor de gebruiker direct kan specificeren welk type circuit er gegenereerd moet worden.

2. Bipartite Graph Circuit Representatie
Om memoriseren te voorkomen en de structuur van analoge circuits beter te modelleren, introduceert het paper een nieuwe representatie:

• Herkenningsprobleem: Bestaande methoden gebruiken een "device-pin" niveau waar elke pin van elk apparaat een apart token is (bijv. NM1G, PM1S). Dit koppelt posities te sterk aan functies, wat memoriseren bevordert.
• Oplossing: AnalogToBi gebruikt een bipartiete graaf die apparaten (devices) en netten (nets) behandelt als twee disjuncte sets knopen. Pinnen worden niet als onafhankelijke knopen gemodelleerd, maar als typen randen (edges) die apparaten verbinden met netten.
• Voordeel: Dit ontkoppelt de positionele volgorde van de functionele semantiek, waardoor het model leert over structurele relaties in plaats van oppervlakkige tokenpatronen.

3. Grammar-Guided Decoding
Gezien de beperkte hoeveelheid trainingsdata voor device-level circuits, is het moeilijk voor een model om alleen via training de complexe elektrische regels te leren. Daarom wordt een grammatica-gestuurde decodering toegepast:

• Een toestandsmachine (state machine) beperkt de mogelijke volgende tokens tijdens de generatie.
• De grammatica zorgt ervoor dat tokens alleen in een geldige volgorde worden gegenereerd (bijv. apparaat -> pin -> net).
• Dit garandeert dat gegenereerde circuits elektrisch geldig zijn (geen zwevende knopen, alle pinnen verbonden) zonder dat het model zelf de regels hoeft te "leren" door trial-and-error.

4. Data Augmentatie via Apparaat-Hernoeming (Device Renaming)
Om de generalisatie te verbeteren en memoriseren te voorkomen, wordt een augmentatiestrategie gebruikt waarbij apparaatidentificatoren (bijv. NM1) willekeurig worden hernoemd (bijv. naar NM7) terwijl de elektrische connectiviteit en functionaliteit behouden blijven.

• In combinatie met de bipartiete representatie zorgt dit ervoor dat het model leert om structurele patronen te herkennen in plaats van specifieke token-volgorde te memoriseren.

Kernbijdragen

1. AnalogToBi Framework: Een volledig geautomatiseerd systeem voor device-level topologiegeneratie dat geen menselijke input vereist voor het initialiseren van de structuur.
2. Nieuwe Representatie: De introductie van een bipartiete graafrepresentatie die de prestaties van generatieve modellen aanzienlijk verbetert door memoriseren te reduceren.
3. Expliciete Controle: Het vermogen om specifieke circuittypes te genereren via conditionele tokens, wat ontbreekt in eerdere state-of-the-art methoden.
4. Validatie en SPICE-integratie: Een geautomatiseerde pijplijn die gegenereerde sequenties direct omzet in uitvoerbare SPICE-netlists, waardoor directe simulatie mogelijk is.

Resultaten

De prestaties van AnalogToBi zijn geëvalueerd op een dataset van 2.165 analoge circuits (uitgebreid tot bijna 400.000 sequenties door augmentatie) en vergeleken met bestaande methoden zoals AnalogGenie, LaMAGIC en AnalogCoder.

• Validiteit: AnalogToBi bereikt een 97,8% validiteit (elektrisch geldige circuits), wat aanzienlijk hoger is dan de 58,2% - 73,5% van eerdere generatiemethoden zonder menselijke feedback.
• Novelty (Nieuwheid): Het systeem genereert 92,1% nieuwe topologieën die niet in de trainingsset voorkomen.
• Valid & Novel: Cruciaal is dat 89,9% van de gegenereerde circuits zowel elektrisch geldig als nieuw is.
• Functionele Controle: De nauwkeurigheid om het gewenste circuittype te genereren (bijv. een versterker) bedraagt gemiddeld 91,3%.
• Simulatie: SPICE-simulaties van gegenereerde versterkers tonen aan dat AnalogToBi circuits produceert met een Figure of Merit (FoM) van 168,5 MHz·pF/mW, wat aanzienlijk beter is dan bestaande methoden (bijv. AnalogGenie: 36,5).

Betekenis en Impact

Dit paper markeert een belangrijke stap in de automatisering van analoge ontwerp. Door de combinatie van een geavanceerde graafrepresentatie, grammatica-gestuurde validatie en functionele controle, overbrugt AnalogToBi de kloof tussen AI-generatie en praktisch bruikbare analoge circuits.

• Het elimineert de afhankelijkheid van menselijke experts voor het initiële topologie-ontwerp.
• Het biedt een schaalbare oplossing die diverse circuittypes kan genereren zonder de noodzaak van mens-in-de-lus feedback.
• De resultaten tonen aan dat AI niet alleen bestaande circuits kan nabootsen, maar ook hoogwaardige, innovatieve en functionele analoge schakelingen kan ontdekken die concurreren met handmatig ontworpen circuits.

Kortom, AnalogToBi levert een praktische basis voor volledig geautomatiseerd, device-level analoge circuitontwerp.