Resumo Técnico: AutoVSR

Declaração do Problema

Derivar expressões simbólicas diretamente de imagens de esquemas de circuitos é uma tarefa crítica, porém desafiadora, no design eletrônico. Embora as expressões simbólicas caracterizem efetivamente o comportamento do circuito (ex: funções de transferência, relações entrada-saída), obtê-las requer um fluxo de trabalho complexo e dependente de especialização: interpretar esquemas visuais para identificar componentes e conectividade, seguido de derivação simbólica e simplificação de múltiplas etapas.

As abordagens atuais enfrentam duas limitações primárias:

1. Construção Visual-para-Simbólica Confiável: Esquemas de circuitos são imagens que carecem de símbolos legíveis por máquina (tipos de dispositivos, conectividade, definições de variáveis). Erros na conversão dessas imagens em representações estruturadas propagam-se para as derivações subsequentes.
2. Corretude da Derivação de Múltiplas Etapas: Expressões alvo exigem sequências de etapas algébricas dependentes. Modelos de Linguagem de Visão (VLMs) de ponta a ponta frequentemente sofrem com acúmulo de erros, alucinações na configuração de equações e manipulação algébrica incorreta, levando a expressões finais inválidas.

Modelos de linguagem de grande escala multimodais (MLLMs) existentes têm sido aplicados à geração de topologia de circuitos e otimização de parâmetros, mas tipicamente dependem de simulação numérica (SPICE) em vez de gerar expressões simbólicas verificáveis. Embora um trabalho anterior (Akbari et al., 2026) tenha tentado a geração simbólica de ponta a end-to-end usando Cadeia de Pensamento (CoT), ele carece de verificação explícita, passo a passo, dos estados intermediários, tornando-se propenso à propagação de erros.

Metodologia

AutoVSR é um framework automatizado que desacopla a percepção visual do raciocínio simbólico para gerar expressões simbólicas a partir de esquemas de circuitos. Ele opera em duas etapas principais: Geração de Topologia Visual-para-Textual e Raciocínio Simbólico Baseado em IR.

1. Geração de Topologia Visual-para-Textual

O objetivo é construir uma Representação Intermediária Executável (IR Executável) que codifique explicitamente a semântica dos dispositivos e a conectividade, servindo como uma base verificável para o raciocínio.

• Formatos de IR Duplos: O sistema se adapta aos tipos de circuito selecionando entre duas representações:
  • IR de Netlist: Um formato semelhante ao SPICE para circuitos de nível de esquema, compatível com a biblioteca Lcapy.
  • IR de Grafo de Fluxo de Sinal (SFG): Um formato estruturado em JSON para diagramas de blocos de nível de sistema, projetado para um solver baseado na regra de Mason.
• Roteador de Tarefas e Análise: Uma função de portão analisa a imagem de entrada e a consulta para selecionar o tipo de IR apropriado e extrair meta-restrições (objetivos de análise, nós de E/S, parâmetros), confinando a geração a um único espaço de restrição para evitar interferência semântica.
• Prompt de Contexto Dinâmico: Em vez de injetar uma biblioteca de regras completa, o VLM detecta os componentes na imagem e recupera apenas as regras de sintaxe relevantes para esses componentes específicos. Isso reduz o ruído de contexto e melhora a precisão da geração.
• Fluxo de Feedback com Verificação Aprimorada: Para garantir a consistência física e estrutural, o sistema emprega um mecanismo de dupla checagem envolvendo quatro estágios ordenados:
  1. Checagem Sintática e Estrutural Estática: Valida o parsing de AST e os atributos dos componentes contra a gramática.
  2. Checagem de E/S e Excitação Estática: Verifica a existência de terras de referência e fontes independentes.
  3. Checagem de Solubilidade Estrutural Dinâmica: Executa solvers de backend para detectar singularidades topológicas (ex: nós flutuantes, fontes em curto) e invertibilidade de matriz.
  4. Avaliação de Quantidade Simbólica Dinâmica: Tenta derivar a expressão alvo para confirmar a robustez matemática.
  • Se erros forem detectados, um feedback estruturado é retornado ao VLM para regeneração (até três tentativas).

2. Solver de Raciocínio Simbólico Baseado em IR

Uma vez estabelecido um IR verificado, o sistema realiza o raciocínio simbólico usando uma estratégia de Planejar-e-Executar para mitigar o acúmulo de erros em raciocínios matemáticos de cadeia longa.

• Agente de Planejamento: O VLM decompõe o objetivo de análise em um blueprint de execução atômico (planejamento de alto nível) em vez de realizar cálculos diretamente.
• Execução Aumentada por Ferramentas: Uma biblioteca de 28 APIs atômicas encapsula solvers simbólicos determinísticos (ex: Lcapy para netlists, regra de Mason para SFGs). O agente executa essas ferramentas para construir equações e realizar computações algébricas.
• Mecanismos de Segurança: O solver roda em subprocessos isolados (sandboxed), protegidos por timeout, com um orçamento estrito de 20 etapas de execução para evitar loops infinitos e garantir a estabilidade do sistema.

Principais Contribuições

1. Framework de IR Executável: Propõe o AutoVSR, introduzindo um IR Executável que converte esquemas de circuitos não estruturados em objetos de circuito simbólicos analisáveis, preenchendo a lacuna entre entradas visuais e motores simbólicos.
2. Percepção Visual Robusta: Projeta um mecanismo que combina prompting de contexto dinâmico (recuperação de regras específicas de componentes) e feedback de verificação de ponta dupla (checagens estáticas e dinâmicas) para reduzir erros topológicos e sintáticos na geração de estrutura.
3. Solver Simbólico Desacoplado: Desenvolve um solver aumentado por ferramentas simbólicas que separa o raciocínio de alto nível da execução, delegando a construção de equações e o cálculo a ferramentas determinísticas para evitar a propagação de erros.
4. Ganhos de Desempenho: Demonstra melhorias significativas de precisão sobre as linhas de base enquanto mantém custos de inferência menores.

Resultados Experimentais

O framework foi avaliado em um benchmark de 5.020 amostras através de cinco tipos de circuitos (redes resistivas, circuitos RLC, modelos de pequeno sinal, circuitos de nível de módulo e diagramas de blocos de nível de sistema).

• vs. VLMs de Ponta a Ponta: O AutoVSR melhorou a precisão em 30,01% a 59,45% em vários modelos (incluindo Gemini-3-Flash, GPT-5-mini e modelos de código aberto como Qwen3-VL e Llama). Os ganhos foram mais pronunciados em tipos complexos que exigem semântica de porta precisa (Tipo 4) e raciocínio de grafo global (Tipo 5).
• vs. Linhas de Base Especializadas: Comparado ao método especializado de Cadeia de Pensamento (CircuitSense), o AutoVSR alcançou melhorias de 41,96% a 51,84% na geração de função de transferência e 62,23% a 82,74% na geração de resposta transitória.
• Eficiência: Quando aplicado a backbones de VLM leves, o AutoVSR alcançou maior precisão (56,31%–89,32%) do que modelos proprietários de fronteira (ex: GPT-5, Claude-Sonnet-4.5), reduzindo o consumo de tokens em até 66% e a latência de inferência em até 66%.
• Generalização: O framework generalizou-se com sucesso para a geração de expressões de resposta transitória, uma tarefa que exige raciocínio no domínio do tempo, alcançando melhorias de precisão de mais de 60 pontos percentuais sobre as linhas de base de ponta a ponta.

Significância e Alegações

O artigo afirma que o AutoVSR aborda as limitações críticas dos modelos de linguagem de visão de ponta a ponta na análise de circuitos ao introduzir verificação explícita e execução em nível de ferramenta. Sua significância reside em:

• Confiabilidade: Ao impor consistência física através de um IR Executável e solvers determinísticos, ele supera a natureza de "caixa preta" da inferência direta de VLM, garantindo que as expressões simbólicas sejam verificáveis e matematicamente sólidas.
• Escalabilidade e Custo-Efetividade: O framework permite que modelos leves de código aberto superem modelos proprietários muito maiores em tarefas complexas de raciocínio simbólico, reduzindo significativamente o custo computacional e a latência associados à análise de circuitos.
• Interpretabilidade: O processo de planejamento e execução desacoplado fornece resultados intermediários transparentes, tornando o processo de raciocínio interpretável e depurável, o que é essencial para aplicações de engenharia.

Os autores concluem que o AutoVSR fornece um framework escalável para raciocínio visual-para-simbólico confiável, pavimentando o caminho para um design e análise de circuitos assistidos por IA mais eficientes e precisos.