Evaluating LLM-based Workflows for Switched-Mode Power Supply Design

📄 arXiv: 2507.10639v2 📥 PDF

作者: Simon Nau, Jan Krummenauer, André Zimmermann

分类: cs.AR, cs.AI

发布日期: 2025-07-14 (更新: 2025-11-07)

💡 一句话要点

提出基于LLM的工作流，用于开关电源设计的自动化与优化

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

关键词: 大型语言模型 开关电源设计 SPICE仿真 检索增强生成 电路优化

📋 核心要点

  1. 现有电子电路设计，特别是开关电源设计，依赖人工经验，效率较低，缺乏自动化工具。
  2. 论文提出结合LLM、RAG和SPICE仿真工具的工作流，使LLM能够理解电路设计并进行优化。
  3. 实验结果表明，该方法显著提高了开关电源设计的解决率，尤其是在参数调整方面。

📝 摘要（中文）

大型语言模型(LLM)在软件工程等诸多领域展现出提升生产力的巨大潜力。然而，它们在电子电路设计过程中的辅助能力尚不明确。本文着重研究LLM在印刷电路板(PCB)开关电源(SMPS)设计中的应用。我们提出了多种基于LLM的工作流，结合了推理、检索增强生成(RAG)以及自定义工具包，使LLM能够与SPICE仿真交互，从而评估电路修改的影响。通过两个基准实验，分析了基于LLM的助手在不同设计任务中的性能，包括参数调整、拓扑结构调整和SMPS电路优化。实验结果表明，SPICE仿真反馈和当前LLM的进步（如推理能力）显著提高了269个手动创建的基准任务的解决率，从15%提升到91%。此外，我们的分析表明，大多数参数调整设计任务可以解决，但某些拓扑结构调整任务仍然存在局限性。我们的实验为改进当前概念提供了见解，例如通过调整基于文本的电路表示。

🔬 方法详解

问题定义：论文旨在解决开关电源(SMPS)设计过程中效率低下的问题。传统SMPS设计依赖于工程师的经验和手动调整，耗时且容易出错。现有的自动化工具在处理复杂设计任务时存在局限性，无法充分利用最新的AI技术。

核心思路：论文的核心思路是利用大型语言模型(LLM)的推理和生成能力，结合检索增强生成(RAG)技术，以及SPICE仿真工具的反馈，构建一个智能化的SMPS设计助手。通过让LLM理解电路原理、分析仿真结果，并提出改进建议，从而实现SMPS设计的自动化和优化。

技术框架：整体框架包含以下几个主要模块：1) LLM推理模块：负责理解设计任务、生成设计方案和评估仿真结果。2) RAG模块：用于检索相关的设计知识和经验，为LLM提供上下文信息。3) SPICE仿真接口：允许LLM与SPICE仿真器交互，获取电路性能数据。4) 自定义工具包：提供了一系列工具，用于电路修改、参数调整和结果分析。整个流程是迭代式的，LLM根据仿真结果不断优化设计方案。

关键创新：最重要的技术创新点在于将LLM的推理能力与SPICE仿真反馈相结合。传统的LLM应用往往缺乏对电路实际性能的感知，而该方法通过SPICE仿真为LLM提供了真实的电路行为数据，使其能够更准确地评估设计方案的优劣。此外，自定义工具包的引入也使得LLM能够更灵活地控制电路设计过程。

关键设计：论文中关键的设计包括：1) 基于文本的电路表示方法，使得LLM能够理解和操作电路。2) RAG模块的知识库构建，需要收集大量的SMPS设计资料。3) SPICE仿真接口的设计，需要确保LLM能够安全有效地与仿真器交互。4) 损失函数的设计，用于指导LLM优化电路性能，例如效率、输出电压精度等。具体参数设置和网络结构等细节在论文中未详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，结合SPICE仿真反馈和LLM推理能力，能够显著提高SMPS设计的解决率，从15%提升到91%。在参数调整任务中，该方法表现出色，能够有效优化电路性能。虽然在拓扑结构调整方面仍存在局限性，但整体结果表明LLM在SMPS设计中具有巨大的潜力。

🎯 应用场景

该研究成果可应用于各种电子设备的电源设计，例如手机、电脑、服务器等。通过自动化SMPS设计流程，可以缩短产品开发周期，降低设计成本，并提高电源的性能和可靠性。未来，该技术有望扩展到其他类型的电子电路设计，实现更广泛的自动化设计。

📄 摘要（原文）

Large language models (LLMs) have great potential to enhance productivity in many disciplines, such as software engineering. However, it is unclear to what extent they can assist in the design process of electronic circuits. This paper focuses on the application of LLMs to switched-mode power supply (SMPS) design for printed circuit boards (PCBs). We present multiple LLM-based workflows that combine reasoning, retrieval-augmented generation (RAG), and a custom toolkit that enables the LLM to interact with SPICE simulations to estimate the impact of circuit modifications. Two benchmark experiments are presented to analyze the performance of LLM-based assistants for different design tasks, including parameter tuning, topology adaption and optimization of SMPS circuits. Experiment results show that SPICE simulation feedback and current LLM advancements, such as reasoning, significantly increase the solve rate on 269 manually created benchmark tasks from 15% to 91%. Furthermore, our analysis reveals that most parameter tuning design tasks can be solved, while limits remain for certain topology adaption tasks. Our experiments offer insights for improving current concepts, for example by adapting text-based circuit representations