Towards Optimal Circuit Generation: Multi-Agent Collaboration Meets Collective Intelligence

📄 arXiv: 2504.14625v3 📥 PDF

作者: Haiyan Qin, Jiahao Feng, Xiaotong Feng, Wei W. Xing, Wang Kang

分类: cs.AR, cs.AI

发布日期: 2025-04-20 (更新: 2025-05-01)

备注: 9 pages, 6 figures

🔗 代码/项目: GITHUB

💡 一句话要点

CircuitMind：多智能体协作与集体智慧驱动的优化电路生成框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 电路设计 多智能体系统 大型语言模型 硬件优化 检索增强生成 奖励学习 语法锁定

📋 核心要点

  1. 现有大型语言模型在硬件设计中生成的电路效率远低于人类设计，存在巨大优化空间。
  2. CircuitMind通过多智能体协作，结合语法锁定、检索增强生成和双重奖励优化，提升电路生成效率。
  3. 实验表明，CircuitMind能使模型达到甚至超越顶尖人类专家的效率，且无需专门训练。

📝 摘要（中文）

大型语言模型（LLMs）已变革代码生成，但其在硬件设计中的应用产生的门数量比人类设计高38%--1075%。我们提出了CircuitMind，一个多智能体框架，通过三个关键创新实现与人类竞争的效率：语法锁定（将生成限制为基本逻辑门）、检索增强生成（实现知识驱动的设计）和双重奖励优化（平衡正确性和效率）。为了评估我们的方法，我们引入了TC-Bench，这是第一个门级基准，利用了TuringComplete生态系统的集体智慧——一个拥有数十万玩家的竞争性电路设计平台。实验表明，CircuitMind使55.6%的模型实现能够匹配或超过顶级人类专家在综合效率指标方面的表现。最值得注意的是，我们的框架使14B Phi-4模型能够胜过GPT-4o mini和Gemini 2.0 Flash，在效率上达到与前25%的人类专家相当的水平，而无需专门的训练。这些创新为硬件优化建立了一个新的范例，即协作AI系统利用集体人类专业知识来实现最佳电路设计。我们的模型、数据和代码已在https://github.com/BUAA-CLab/CircuitMind开源。

🔬 方法详解

问题定义：论文旨在解决大型语言模型在硬件电路设计中效率低下的问题。现有方法生成的电路门数量远高于人类设计，未能充分利用硬件设计的专业知识和优化策略。这限制了LLM在硬件设计领域的应用。

核心思路：论文的核心思路是利用多智能体协作，结合约束生成、知识检索和奖励优化，模拟人类专家设计电路的过程。通过将复杂的设计任务分解为多个智能体协同完成，并引入外部知识和效率奖励，引导模型生成更优的电路。

技术框架：CircuitMind框架包含三个主要模块：1) 语法锁定模块，限制生成器仅使用基本逻辑门，避免生成无效或难以实现的电路；2) 检索增强生成模块，从TuringComplete社区的电路设计中检索相关知识，为生成器提供参考；3) 双重奖励优化模块，同时考虑电路的正确性和效率，通过奖励函数引导生成器生成更优的电路。

关键创新：该论文的关键创新在于将多智能体协作、语法锁定、检索增强生成和双重奖励优化相结合，形成一个完整的电路优化框架。与传统的LLM直接生成电路的方法相比，CircuitMind能够更好地利用人类专家的知识和优化策略，从而生成更高效的电路。

关键设计：语法锁定通过预定义的语法规则限制生成器的输出空间。检索增强生成使用余弦相似度等方法检索相似的电路设计。双重奖励优化使用加权和的方式平衡正确性奖励和效率奖励，其中效率奖励基于电路的门数量。具体的权重参数需要根据实验进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CircuitMind框架使14B Phi-4模型在电路设计效率上超越了GPT-4o mini和Gemini 2.0 Flash，达到与顶尖25%人类专家相当的水平。在TC-Bench基准测试中，55.6%的模型实现能够匹配或超过顶级人类专家在综合效率指标方面的表现，无需专门的训练。

🎯 应用场景

该研究成果可应用于自动化硬件设计、电路优化、芯片设计等领域。通过结合AI和人类专家的知识，可以加速硬件设计流程，降低设计成本，并提高硬件性能。未来，该技术有望应用于更复杂的硬件系统设计，例如处理器、存储器等。

📄 摘要（原文）

Large language models (LLMs) have transformed code generation, yet their application in hardware design produces gate counts 38\%--1075\% higher than human designs. We present CircuitMind, a multi-agent framework that achieves human-competitive efficiency through three key innovations: syntax locking (constraining generation to basic logic gates), retrieval-augmented generation (enabling knowledge-driven design), and dual-reward optimization (balancing correctness with efficiency). To evaluate our approach, we introduce TC-Bench, the first gate-level benchmark harnessing collective intelligence from the TuringComplete ecosystem -- a competitive circuit design platform with hundreds of thousands of players. Experiments show CircuitMind enables 55.6\% of model implementations to match or exceed top-tier human experts in composite efficiency metrics. Most remarkably, our framework elevates the 14B Phi-4 model to outperform both GPT-4o mini and Gemini 2.0 Flash, achieving efficiency comparable to the top 25\% of human experts without requiring specialized training. These innovations establish a new paradigm for hardware optimization where collaborative AI systems leverage collective human expertise to achieve optimal circuit designs. Our model, data, and code are open-source at https://github.com/BUAA-CLab/CircuitMind.