🤖 machine learning

Spicing up Genetic Netlist Generation with LLMs

本文介绍了 LLM-SPICEMixer，这是一个将基于大语言模型的提议算子（IGEL）集成到遗传网表生成中的混合框架，旨在增强模拟电路拓扑合成，并在基准 Iris 分类任务中，与传统方法相比实现了显著更高的准确性和鲁棒性。

原作者： Stefan Uhlich, Yağız Gençer, Andrea Bonetti, Arun Venkitaraman, Chia-Yu Hsieh, Eisaku Ohbuchi, Lorenzo Servadei

发布于 2026-08-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Stefan Uhlich, Yağız Gençer, Andrea Bonetti, Arun Venkitaraman, Chia-Yu Hsieh, Eisaku Ohbuchi, Lorenzo Servadei

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

设计模拟电路就像是在草堆里找针，而这个草堆是由数十亿种可能的排列组合构成的，针则是那个能够正常工作的器件。在电子世界中，模拟电路是处理连续信号的组件，例如来自麦克风的电压或来自太阳能电池板的电流。与仅仅进行开/关切换的数字芯片不同，这些电路必须经过极其精密的调校；晶体管连接方式的一个微小变化，就可能导致整个器件失效或表现出不可预测的行为。几十年来，工程师们一直依赖复杂的计算机算法来搜索这些可行的设计，但这个过程往往进展缓慢，且容易陷入死胡同。挑战在于，如何找到一种既能探索广阔的可能性空间，又不会在那些永远无法奏效的设计上浪费时间的方法。

来自索尼AI（Sony AI）及多所大学的研究团队推出了一种新方法，将传统的计算机搜索方法与大语言模型的创造能力相结合。这些模型（即先进聊天机器人背后的技术）通常被训练用于编写代码或回答问题。研究人员想知道，是否可以不让它们从头开始设计电路，而是让它们充当“创意助手”，对现有设计提出细小且聪明的改进建议。他们构建了一个名为LLM-SPICEMixer的系统，该系统运行一个持续的试错循环。在这个循环中，计算机模拟测试数千个电路设计，保留表现最好的，并丢弃其余的。新的转折点在于，当系统需要新鲜创意时，它会要求语言模型观察目前发现的最佳设计，并提出一种新的变体。

研究人员在一个特定任务上测试了该系统：创建一个能够将鸢尾花数据分为三类信息的晶体管级电路。这是机器学习中的一个经典问题，但这里的目标不是编写软件代码，而是构建一个能够使用电压电平执行相同分类任务的物理电子电路。该电路必须接收代表花朵测量数据的四个输入信号，并产生代表花朵类型的三个输出信号。由于这类电路没有标准的蓝图，系统必须从零开始发现一个可行的结构。语言模型被给予了表现最好的电路，并被要求想象一个更好的版本，就像人类工程师可能会在蓝图上勾勒修改方案一样。

结果表明，加入语言模型显著改善了搜索过程。如果没有该模型，传统的搜索方法往往会过快地收敛，停留在平庸的设计上，从而无法找到更好的选择。通过模型的建议，系统找到了更精确、更稳健的电路。由这种混合系统发现的最佳电路在理想条件下实现了93.3%的测试准确率，并在广泛的温度和电压范围内保持了85.9%的平均准确率。这一性能明显高于传统方法独立实现的结果。研究人员发现，语言模型并非只是简单地复制现有设计；它学会了结合来自最佳电路的有用模式，以创造出传统算法所遗漏的新拓扑结构。

然而，这项研究也明确了语言模型无法做到的事情。当研究人员要求模型在没有任何示例的情况下从头设计一个完整电路时，它往往会产生重复性或无法运行的设计。只有在受到搜索循环提供的优质示例引导时，模型的效果才最好。这表明，对于复杂的工程任务，人工智能最有效的应用方式是作为一种合作伙伴，去完善和演进人类或机器生成的想法，而不是作为一个独立的设计者。系统还发现，最佳电路通常仅依赖于四个可用测量值中的两个，这一发现与数据的已知统计特性相吻OK。这意味着系统不仅仅是在瞎猜，而是实际上学会了识别对任务最重要的特征。

研究人员独立运行了九次搜索过程以评估其发现，以确保结果具有一致性而非仅仅是运气好。他们将自己的方法与其他先进算法进行了对比，发现这种混合方法始终能产生更优越的结果。他们还测试了当输入信号带有轻微噪声（模拟现实世界的缺陷）时，电路的表现如何。在语言模型帮助设计的电路即使在输入数据发生扭曲时，依然保持稳定和准确，这表明搜索过程发现的解决方案不仅在数学上是正确的，而且在物理上是稳健的。

这项工作展示了自动化电路设计的一个充满希望的前行方向。通过将语言模型作为严谨模拟循环中的“提案生成器”，研究人员能够克服传统搜索方法的一些局限性。该系统并未取代对精确物理模拟的需求；相反，它将模拟作为验证模型创意建议的“事实来源”。这种成功的做法表明，对于不存在标准解决方案的任务，将大语言模型的模式识别能力与物理模拟的可靠性相结合，可以带来新颖且高效的电子设计发现。研究结果表明，虽然人工智能可能尚未准备好完全取代人类工程师，但它可以作为一种强大的工具，加速发现那些仅靠传统手段难以寻获的新型电路架构。

技术摘要：利用大语言模型提升遗传网表生成能力

问题陈述

模拟电路拓扑综合仍然是电子设计自动化领域的一项重大挑战。与通过贝叶斯优化和强化学习已取得进展的固定拓扑尺寸优化不同，拓扑综合涉及与尺寸高度耦合的离散结构选择。其搜索空间是组合性的，有用的设计仅占所有可能配置中的极小部分。微小的结构变化可能会引发高度非线性且非平滑的行为转变，使得基于梯度的方法失效。虽然进化算法（EAs）在利用仅基于黑盒 SPICE 评估来优化离散拓扑方面具有吸引力，但它们往往面临早熟收敛的问题，并且需要大量的仿真次数。相反，仅仅依赖大语言模型（LLMs）从零开始生成完整的电路是不可靠的，特别是在不存在记忆模板的非标准任务中，这往往会导致模型仅复现经典解而非发现新颖的设计。

方法论：LLM-SPICEMixer 与 IGEL

作者引入了 LLM-SPICEMixer，这是一个混合合成框架，它通过一种名为 IGEL（基于 LLM 的启发式引导进化）的新型 LLM 提案算子，增强了现有的遗传算法 SPICEMixer。

核心架构

该系统在一个由 SPICE 驱动的进化循环中运行。IGEL 并非作为独立的生成器，而是作为包括交叉、变异和剪枝在内的传统遗传算子之一，充当一种新型的提案算子。

启发式采样： 从当前表现优异的精英电路集中，使用基于排名的轮盘赌选择法采样 $K=3$ 个网表。
预处理： 为了防止 LLM 仅仅调整晶体管尺寸（这会导致对单一拓扑的早熟收敛），系统会过滤掉具有相同拓扑的电路。此外，特定 PDK 的晶体管实例（例如 SkyWater 130nm）会被转换为简化的、描述性的 MOS 表示形式（例如将 net_supply_0 重命名为 net_vdd），以减少因晦涩的网络名称导致的困惑。
IGEL 提示词工程： 采样的网表及其奖励得分被输入到 LLM 中。提示策略在以下几种之间切换：
- “Raw”（原始）与 “Diff”（差异）： “Raw” 提示要求生成一个全新的完整网表，而 “Diff” 提示则要求对基础网表进行特定的逐行编辑。
- “带有推理” 与 “不带推理”： “带有推理” 的提示要求 LLM 在生成网表之前，先分析启发来源并提出修改策略。
评估： LLM 生成候选网表，该网表被转换回 PDK 格式，并在多个工艺、电压和温度（PVT）角下通过 SPICE 进行仿真，并使用奖励函数进行评估。如果候选电路表现良好，则将其加入精英集。

奖励函数

该框架针对 Iris 分类任务的模拟判别函数进行优化。奖励 $R$ 是一个复合指标：
$R = \frac{1}{2}(A + M)$
其中 $A$ 是分类准确率， $M$ 是鼓励输出分离度（即正确类别具有高电压，其他类别具有低电压）的目标电压得分。该奖励还会针对结构无效性（如悬空网络）和电路规模（晶体管数量）进行惩罚，以倾向于产生紧凑且符合物理实际的设计。

核心贡献

混合框架： 引入了 LLM-SPICEMixer，它将 LLM 集成为遗传搜索循环中的一种提案机制，而非作为独立的生成器。这利用了 LLM 提出结构化拓扑变化的能力，同时依靠 SPICE 仿真作为事实来源。
IGEL 算子： 一种特定的算子，通过使用精英网表作为“启发”来引导 LLM，从而防止模型生成随机或经典的电路，转而鼓励进化出新颖的拓扑结构。
基准任务： 提出了一个基于 Iris 数据集的模拟判别函数合成基准。该任务不同于标准的模拟设计（如运放尺寸优化），因为它需要从头开始发现一种电路拓扑来实现数据依赖的分类函数，且不存在已知的经典解。
实证分析： 对提示策略、解码设置、模型选择和算子混合进行了全面研究，证明了显式推理和交替提示风格能产生最佳结果。

结果

该方法在 17 个 PVT 角下对 Iris 分类任务进行了评估。

性能提升： 与基线 SPICEMixer（无 LLM 引导）相比，LLM-SPICEMixer 将中值最终训练奖励提高了 8.4%，并将中值验证集选定的测试奖励提高了 8.8%。
统计显著性： 置换检验确认了这种改进在统计上是显著的（ $p=0.0052$ ）。
最佳电路： 验证集选出的最佳电路在标称 $tt$ 角下达到了 93.3% 的测试准确率，在所有 17 个角下的平均测试准确率为 85.9%。
电路特性： 最佳合成电路非常紧凑，仅使用了四个可用输入中的两个（花瓣长度和宽度），隐式地发现了 Iris 数据集的主导特征。它展示了与标准机器学习基准（逻辑回归和 MLP）相当的抗输入电压噪声的鲁棒性。
消融实验洞察：
- 提示词： 提示词中的显式推理显著提高了性能。在 “raw” 和 “diff” 格式之间交替的方案提供了最佳的多样性。
- 模型选择： 更大的模型表现更好，Qwen3.5 27B 的表现优于 Gemma3 系列。
- 算子混合： IGEL 作为传统遗传算子的补充最为有效。仅使用 “IGEL-only” 的搜索表现明显差于混合方法，这表明 LLM 提供多样化的结构提案，而遗传算子（交叉、变异）对于局部细化和维持搜索动态至关重要。

意义与主张

论文声称，对于不存在已知经典拓扑的非标准模拟合成任务，LLM 最有效的角色不是自主设计师，而是嵌入在仿真驱动的进化循环中的提案生成器。通过利用 LLM 增强遗传算法，该方法缓解了早熟收敛问题，并发现了传统遗传搜索可能错过的多样化、高性能的晶体管级电路。这项工作证明，在高质量启发信息的引导以及严格物理仿真的约束下，LLM 可以成功地在复杂的离散模拟拓扑合成搜索空间中进行导航。