AMSnet-KG: A Netlist Dataset for LLM-based AMS Circuit Auto-Design Using Knowledge Graph RAG
作者: Yichen Shi, Zhuofu Tao, Yuhao Gao, Tianjia Zhou, Cheng Chang, Yaxing Wang, Bingyu Chen, Genhao Zhang, Alvin Liu, Zhiping Yu, Ting-Jung Lin, Lei He
分类: cs.AI, cs.AR, cs.ET, eess.SP
发布日期: 2024-11-07
💡 一句话要点
提出AMSnet-KG数据集，结合知识图谱RAG，用于LLM驱动的AMS电路自动设计。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: AMS电路设计 自动设计 大型语言模型 知识图谱 数据集
📋 核心要点
- AMS电路设计高度依赖经验，自动化面临挑战，现有方法缺乏高质量数据集，导致LLM模型产生幻觉，影响电路设计的可靠性。
- 论文提出AMSnet-KG数据集，包含电路原理图和网表，构建知识图谱，并结合LLM，实现AMS电路的自动生成。
- 通过运算放大器和比较器设计的案例研究，验证了该自动设计流程的有效性，能够从规格到网表自动生成电路，减少人工干预。
📝 摘要（中文）
高性能模拟和混合信号（AMS）电路主要采用全定制设计，耗时且劳动密集。设计过程很大程度上依赖经验，这使得AMS电路设计的自动化成为一项艰巨的挑战。大型语言模型（LLM）已成为电子设计自动化（EDA）应用中的强大工具，促进了大规模AMS电路自动设计过程的进步。然而，缺乏高质量的数据集导致了模型幻觉等问题，这削弱了自动生成的电路设计的鲁棒性。为了解决这个问题，本文介绍了AMSnet-KG，一个包含各种AMS电路原理图和网表的数据集。我们构建了一个知识图谱，其中包含对详细功能和性能特征的注释。在AMSnet-KG的帮助下，我们提出了一个自动化的AMS电路生成框架，该框架利用了LLM中嵌入的全面知识。我们首先根据所需的规格制定设计策略（例如，使用多个电路组件的电路架构）。接下来，检索匹配的电路组件并将其组装成完整的拓扑，并通过贝叶斯优化获得晶体管尺寸。网表的仿真结果被反馈给LLM，以进一步改进拓扑，确保满足电路设计规范。我们进行了运算放大器和比较器设计的案例研究，以验证从规格到网表的自动设计流程，并最大限度地减少人工干预。本文中使用的数据集将在发表后开源。
🔬 方法详解
问题定义：论文旨在解决AMS电路设计自动化程度低的问题。现有方法依赖人工经验，耗时耗力，且缺乏高质量数据集支持LLM进行电路设计，导致模型生成电路时容易出现“幻觉”，影响电路性能和可靠性。
核心思路：论文的核心思路是构建一个高质量的AMS电路数据集AMSnet-KG，并结合知识图谱和LLM，实现从电路规格到网表的自动生成。通过知识图谱增强LLM对电路设计的理解，减少模型幻觉，提高生成电路的质量。
技术框架：整体框架包含以下几个阶段：1. 根据电路规格，利用LLM制定设计策略（电路架构）。2. 从AMSnet-KG中检索匹配的电路组件，组装成完整的拓扑结构。3. 通过贝叶斯优化确定晶体管尺寸。4. 对生成的网表进行仿真，并将仿真结果反馈给LLM，进行拓扑结构的进一步优化，直到满足电路设计规格。
关键创新：论文的关键创新在于构建了AMSnet-KG数据集，并将其与知识图谱和LLM相结合，实现AMS电路的自动设计。这种方法能够有效利用LLM的知识推理能力，并结合知识图谱的结构化信息，提高电路设计的效率和质量。
关键设计：AMSnet-KG数据集包含AMS电路原理图和网表，并对电路的功能和性能特征进行详细标注。知识图谱用于存储电路组件之间的关系和设计规则。贝叶斯优化用于确定晶体管尺寸，以满足电路性能指标。仿真结果反馈机制用于指导LLM进行拓扑结构的优化。
🖼️ 关键图片
📊 实验亮点
论文通过运算放大器和比较器设计的案例研究，验证了所提出的自动设计流程的有效性。实验结果表明，该方法能够在最小化人工干预的情况下，从电路规格自动生成满足性能要求的网表。虽然论文中没有给出具体的性能数据和提升幅度，但案例研究证明了该方法在实际应用中的潜力。
🎯 应用场景
该研究成果可应用于各种模拟和混合信号电路的自动设计，例如运算放大器、比较器、模数转换器等。通过减少人工干预，可以显著缩短电路设计周期，降低设计成本，并加速新产品的开发。该方法还有助于提高电路设计的质量和可靠性，并为电路设计人员提供更智能化的辅助工具。
📄 摘要（原文）
High-performance analog and mixed-signal (AMS) circuits are mainly full-custom designed, which is time-consuming and labor-intensive. A significant portion of the effort is experience-driven, which makes the automation of AMS circuit design a formidable challenge. Large language models (LLMs) have emerged as powerful tools for Electronic Design Automation (EDA) applications, fostering advancements in the automatic design process for large-scale AMS circuits. However, the absence of high-quality datasets has led to issues such as model hallucination, which undermines the robustness of automatically generated circuit designs. To address this issue, this paper introduces AMSnet-KG, a dataset encompassing various AMS circuit schematics and netlists. We construct a knowledge graph with annotations on detailed functional and performance characteristics. Facilitated by AMSnet-KG, we propose an automated AMS circuit generation framework that utilizes the comprehensive knowledge embedded in LLMs. We first formulate a design strategy (e.g., circuit architecture using a number of circuit components) based on required specifications. Next, matched circuit components are retrieved and assembled into a complete topology, and transistor sizing is obtained through Bayesian optimization. Simulation results of the netlist are fed back to the LLM for further topology refinement, ensuring the circuit design specifications are met. We perform case studies of operational amplifier and comparator design to verify the automatic design flow from specifications to netlists with minimal human effort. The dataset used in this paper will be open-sourced upon publishing of this paper.