AMSnet 2.0: A Large AMS Database with AI Segmentation for Net Detection

📄 arXiv: 2505.09155v1 📥 PDF

作者: Yichen Shi, Zhuofu Tao, Yuhao Gao, Li Huang, Hongyang Wang, Zhiping Yu, Ting-Jung Lin, Lei He

分类: cs.CV

发布日期: 2025-05-14

备注: accepted by LAD25

💡 一句话要点

提出基于AI分割的电路网络检测方法，构建大规模AMS电路数据库AMSnet 2.0。

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

关键词: 电路原理图 网络检测 图像分割 深度学习 数据集 AMSnet 多模态学习 电路设计自动化

📋 核心要点

  1. 现有电路原理图解析方法依赖硬编码规则，难以处理复杂或噪声大的原理图，限制了多模态大语言模型在电路领域的应用。
  2. 提出基于AI分割的网络检测方法，通过分割电路元件和网络，实现鲁棒的网络提取和位置信息恢复，从而进行原理图的数字重建。
  3. 构建了大规模AMS电路数据库AMSnet 2.0，包含2686个电路，提供原理图图像、网表、数字原理图和位置信息，为相关研究提供高质量数据。

📝 摘要（中文）

当前的多模态大型语言模型(MLLM)由于识别能力有限，难以理解电路原理图。这可能归因于缺乏高质量的原理图-网表训练数据。现有的工作，如AMSnet，应用原理图解析来生成网表。然而，这些方法依赖于硬编码的启发式方法，难以应用于复杂或噪声大的原理图。因此，本文提出了一种基于分割的新型网络检测机制，具有很高的鲁棒性。该方法还可以恢复位置信息，从而实现原理图的数字重建。然后，我们用来自各种来源的原理图图像扩展了AMSnet数据集，并创建了AMSnet 2.0。AMSnet 2.0包含2,686个电路，包括原理图图像、Spectre格式的网表、OpenAccess数字原理图以及电路元件和网络的位置信息，而AMSnet仅包含792个电路，包括SPICE网表，但没有数字原理图。

🔬 方法详解

问题定义：现有电路原理图解析方法依赖于人工设计的启发式规则，这些规则难以泛化到复杂或包含噪声的电路原理图中。这导致自动提取电路网表和进行电路理解变得困难，阻碍了多模态大语言模型在电路设计领域的应用。因此，需要一种更鲁棒、更通用的方法来从电路原理图中提取网络信息。

核心思路：论文的核心思路是利用图像分割技术，将电路原理图中的元件和网络分割出来，然后基于分割结果进行网络连接关系的推断。这种方法避免了对特定规则的依赖，能够更好地处理复杂和噪声情况。同时，分割结果还包含了元件的位置信息，可以用于重建数字化的电路原理图。

技术框架：整体框架包含以下几个主要阶段：1) 数据集构建：收集并整理各种来源的电路原理图，并进行标注，构建AMSnet 2.0数据集。2) 模型训练：训练一个图像分割模型，用于分割电路原理图中的元件和网络。3) 网络提取：利用训练好的分割模型，对新的电路原理图进行分割，提取元件和网络。4) 连接关系推断：基于分割结果，推断元件之间的连接关系，生成电路网表。5) 数字重建：利用分割结果中的位置信息，重建数字化的电路原理图。

关键创新：最重要的技术创新点在于将图像分割技术应用于电路网络检测。与传统的基于规则的方法相比，该方法具有更高的鲁棒性和泛化能力。此外，该方法还能够恢复元件的位置信息，从而实现原理图的数字化重建。

关键设计：论文中使用了深度学习的图像分割模型，具体模型结构和参数设置未知。损失函数的设计需要考虑分割的准确性和完整性。此外，连接关系推断算法的设计也至关重要，需要能够准确地判断元件之间的连接关系，并生成正确的电路网表。数据集的标注质量对分割模型的性能有很大影响，需要进行仔细的标注。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文构建了大规模AMS电路数据库AMSnet 2.0，包含2686个电路，相比于AMSnet的792个电路，数据量显著增加。AMSnet 2.0不仅包含原理图图像和网表，还提供了数字原理图和位置信息，为电路相关研究提供了更丰富的数据资源。分割方法的具体性能数据未知，但论文强调其具有更高的鲁棒性。

🎯 应用场景

该研究成果可应用于电路设计自动化领域，例如自动生成电路网表、电路原理图的数字化重建、电路仿真和验证等。此外，该数据集可用于训练多模态大语言模型，提升其在电路领域的理解和推理能力，从而实现更智能的电路设计工具。

📄 摘要（原文）

Current multimodal large language models (MLLMs) struggle to understand circuit schematics due to their limited recognition capabilities. This could be attributed to the lack of high-quality schematic-netlist training data. Existing work such as AMSnet applies schematic parsing to generate netlists. However, these methods rely on hard-coded heuristics and are difficult to apply to complex or noisy schematics in this paper. We therefore propose a novel net detection mechanism based on segmentation with high robustness. The proposed method also recovers positional information, allowing digital reconstruction of schematics. We then expand AMSnet dataset with schematic images from various sources and create AMSnet 2.0. AMSnet 2.0 contains 2,686 circuits with schematic images, Spectre-formatted netlists, OpenAccess digital schematics, and positional information for circuit components and nets, whereas AMSnet only includes 792 circuits with SPICE netlists but no digital schematics.