AutoSizer: Automatic Sizing of Analog and Mixed-Signal Circuits via Large Language Model (LLM) Agents
本文介绍了 AutoSizer，这是一个反思性大语言模型（LLM）智能体框架，它通过将电路理解与双循环优化过程相结合来自动化模拟与混合信号（AMS）电路尺寸设计，以迭代细化搜索空间，同时提供 AMS-SizingBench 基准测试以证明其性能优于传统方法及现有基于 LLM 的方法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图烤出一个完美的蛋糕，但没有食谱。你只知道原料（晶体管）和目标（一个口感极佳、不过于厚重且膨胀完美的蛋糕）。在电子领域，设计“模拟与混合信号”电路正是如此。这是一场高风险的游戏，组件尺寸的微小变化就可能将杰作变成灾难。
数十年来，工程师们一直试图利用计算机来自动化这一过程。但传统方法就像蒙着眼睛的人向靶子投掷飞镖，希望能击中靶心。它们尝试数百万种随机组合，浪费时间和能量，往往陷入一个“尚可接受”却并非最优的解决方案中。
最近，随着大语言模型（LLMs）——即那些能写故事、解谜题的聊天机器人背后的技术——的出现，计算机变得更聪明了。人们心想：“让 AI 来设计电路吧！”但问题在于：LLMs 擅长对话和推理，却不擅长精确计算。它们可能会说“把晶体管做大一点”，却无法计算出具体需要增大多少才能获得完美结果。
AutoSizer 应运而生。
这篇论文的作者创建了一个名为AutoSizer的新系统。不要把它想象成一位单独的厨师，而应视为一个专家顾问团队，他们在一个循环中协同工作，以烤出那个完美的蛋糕。
双循环团队
AutoSizer 的运作方式如同两个不同角色之间的对话：
- 内循环（烘焙师）： 这是实际承担繁重工作的部分。它尝试不同的组件尺寸，运行仿真（即“试烤”），并观察电路的性能。它利用标准的数学工具来微调数值。
- 外循环（首席评审）： 这是“智能”AI 发挥作用的地方。在烘焙师尝试了几次之后，评审会审视结果。它会提出诸如以下的问题：
- “蛋糕为什么失败了？是烤箱温度太高了吗？”
- “我们一直试图把面粉做大，但也许我们应该改变糖的用量。”
- “我们陷入了死胡同；让我们尝试完全不同的原料范围。”
如果烘焙师陷入困境，评审就会介入，改变游戏规则，并告诉烘焙师：“好吧，别再试图修补面粉了。让我们尝试调整鸡蛋，并且尝试更宽的鸡蛋尺寸范围。”
“自我反思”的魔力
AutoSizer 的秘诀在于反思。大多数旧系统只是不断重复同样的操作，直到时间耗尽。而 AutoSizer 就像一个参加考试的学生，得了低分后，在再次尝试之前会思考自己为何出错。
- 如果搜索空间过大： 评审会说：“我们考虑了太多选项。让我们只关注最重要的前 3 种原料。”
- 如果搜索空间过小： 评审会说：“我们陷入困境是因为没有考虑足够的选项。让我们扩大搜索范围。”
这种来回互动使系统能够实时从错误中学习，并在过程中不断 refine 其策略。
新的“品尝菜单”（AMS-SIZINGBENCH）
为了证明其系统有效，作者并没有只测试一种类型的电路。他们创建了一个新的开源“品尝菜单”，名为AMS-SIZINGBENCH。
想象一场烹饪比赛，你需要烤制 24 种不同的菜肴：
- 简单的，如基本反相器（就像电灯开关）。
- 中等的，如放大器（就像音量旋钮）。
- 困难的，如稳压器（就像复杂的温度控制器）。
他们将 AutoSizer 与传统的“投掷飞镖”方法以及其他 AI 代理进行了测试。结果显而易见：
- 速度： AutoSizer 更快地找到了最佳设计。
- 质量： 它设计的电路性能更优。
- 可靠性： 即使在最复杂的电路上，它几乎 100% 都能成功找到可行设计，而其他方法往往放弃或失败。
核心结论
该论文声称，通过将智能 AI（评审）的推理能力与精确的数学优化（烘焙师）相结合，并让它们在一个循环中相互对话，我们可以比以往更好地自动化复杂电子设备的设计。
他们还公开了他们的“品尝菜单”（基准测试）和代码，以便其他研究人员可以尝试打破他们的记录或在其基础上进行构建。这是迈向使未来电子设备设计更快、更便宜、更可靠的一步，它并非取代人类工程师，而是赋予他们一个超级强大的助手。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。