AnalogRetriever: Learning Cross-Modal Representations for Analog Circuit Retrieval

Resumo Técnico: AnalogRetriever

1. O Problema

O design de circuitos analógicos depende fortemente da reutilização de Propriedade Intelectual (IP) existente. No entanto, a busca por designs prontos é extremamente difícil devido à heterogeneidade das representações: um mesmo circuito pode ser encontrado como um netlist SPICE (código), um esquema (imagem) ou uma descrição funcional (texto).

Os métodos atuais enfrentam três desafios principais:

• Lacuna de Modalidade: Ferramentas tradicionais limitam-se à correspondência exata de palavras-chave dentro de uma única modalidade, falhando em capturar relações semânticas entre texto, imagem e código.
• Domínio de Visão-Linguagem: Modelos pré-treinados (como CLIP) não generalizam bem para esquemas de circuitos, que são desenhos de linhas abstratos com símbolos específicos do domínio.
• Estrutura de Grafos dos Netlists: Netlists SPICE são estruturalmente complexos; nomes de nós são arbitrários e a semântica reside na conectividade (topologia), o que encoders de texto padrão não conseguem capturar.

2. Metodologia

Os autores propõem o AnalogRetriever, um framework de recuperação trimodal que mapeia descrições, esquemas e netlists em um espaço de incorporação (embedding) compartilhado.

A. Arquitetura de Codificação Trimodal:

• Texto e Imagem: Utilizam o modelo CLIP pré-treinado. Para adaptar o CLIP aos esquemas de circuitos sem perder o conhecimento prévio, eles congelam as camadas inferiores do Vision Transformer (ViT) e ajustam apenas as camadas superiores.
• Netlist (Código): Implementam uma Rede Convolucional de Grafo Relacional (RGCN) sensível a portas (port-aware). Diferente de GCNs comuns, a RGCN utiliza matrizes de peso distintas para diferentes tipos de conexões (ex: dreno, gate, fonte), permitindo que o modelo entenda a função elétrica de cada terminal. Um mecanismo de attention pooling é usado para dar mais peso a componentes criticamente funcionais.

B. Estratégia de Treinamento (Curriculum Learning):
Para evitar a instabilidade de treinar um encoder de grafos do zero junto com o CLIP, o modelo segue três fases:

1. Warm-up do Encoder de Grafo: Treina apenas o RGCN para alinhar o código ao espaço CLIP já existente (com CLIP congelado).
2. Transição: Descongela o CLIP e inicia o treinamento trimodal completo com amostragem aleatória.
3. Mineração de Negativos Difíceis (Hard Negative Mining): Introduz circuitos com funções similares, mas topologias diferentes, para forçar o modelo a aprender distinções finas.

C. Refinamento do Dataset:
Os autores criaram um pipeline de duas etapas baseado em LLM para reparar o dataset MASALA-Chai, elevando a taxa de compilação de netlists de 22% para 100% e garantindo que as descrições textuais fossem tecnicamente precisas em relação ao circuito.

3. Principais Contribuições

1. Framework de Recuperação Trimodal: O primeiro sistema capaz de realizar buscas cruzadas entre texto, esquemas e netlists SPICE.
2. Codificador RGCN Sensível a Portas: Uma abordagem que captura a semântica elétrica profunda através da distinção de terminais de dispositivos.
3. Treinamento por Currículo: Uma estratégia de três fases que permite a convergência estável de modalidades heterogêneas.
4. Dataset de Alta Qualidade: Um conjunto de dados de 6.354 triplas verificadas via simulador Ngspice.

4. Resultados

• Desempenho de Recuperação: O AnalogRetriever alcançou um Recall@1 médio de 75,2% em todas as seis direções de busca cruzada, superando o melhor baseline (CROP) em mais de 15 vezes.
• Melhoria Mútua: A inclusão da modalidade de código melhorou até mesmo a recuperação entre texto e imagem (aumentando o R@1 em até 8,7 pontos), provando que o conhecimento topológico ajuda a regularizar todo o espaço semântico.
• Integração RAG (Retrieval-Augmented Generation): Ao integrar o sistema ao agente AnalogCoder, o modelo aumentou a taxa de sucesso funcional de diversos LLMs em uma média de 5,6%. No modelo Claude Sonnet 4.6, atingiu um novo estado da arte de 86,7%.

5. Significância

O trabalho demonstra que a recuperação de informações baseada em topologia é um complemento essencial para a geração de circuitos via LLMs. Enquanto os LLMs frequentemente sofrem de "alucinações" (gerando circuitos eletricamente inválidos), o AnalogRetriever fornece referências topológicas corretas que "ancoram" o modelo, transformando falhas de design em circuitos funcionais e prontos para simulação. Isso reduz a barreira de entrada para engenheiros juniores e acelera o fluxo de design analógico industrial.