LLM-based AI Agent for Sizing of Analog and Mixed Signal Circuit

📄 arXiv: 2504.11497v1 📥 PDF

作者: Chang Liu, Emmanuel A. Olowe, Danial Chitnis

分类: cs.LG, cs.AR

发布日期: 2025-04-14

备注: to be presented in IEEE NEWCAS 2025

期刊: 2025 23rd IEEE Interregional NEWCAS Conference (NEWCAS)

DOI: 10.1109/NewCAS64648.2025.11107079

💡 一句话要点

提出基于LLM的AI Agent，用于模拟和混合信号电路的晶体管尺寸设计

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

关键词: LLM AI Agent AMS电路设计 晶体管尺寸设计 电子设计自动化

📋 核心要点

  1. AMS电路设计中晶体管尺寸设计耗时费力，传统EDA工具迭代次数多，且缺乏AMS电路设计知识。
  2. 利用LLM在电路设计方面的知识，构建AI Agent，结合外部仿真工具和数据分析，实现自动化晶体管尺寸设计。
  3. 实验表明，该Agent在多个电路中成功优化性能指标，对运算放大器达到60%的目标要求成功率，验证了LLM的潜力。

📝 摘要（中文）

模拟和混合信号(AMS)集成电路(IC)的设计通常需要大量的人工工作，尤其是在晶体管尺寸设计过程中。电子设计自动化(EDA)中的机器学习技术在降低复杂性和减少人为干预方面显示出前景，但它们仍然面临着多次迭代和缺乏AMS电路设计知识等挑战。最近，大型语言模型(LLM)在各个领域都表现出巨大的潜力，在电路设计方面也表现出一定程度的知识，表明它们有可能自动化晶体管尺寸设计过程。本文提出了一种基于LLM的AI Agent用于AMS电路设计，以辅助尺寸设计过程。通过将LLM与外部电路仿真工具和数据分析功能集成，并采用提示工程策略，该Agent成功地优化了多个电路以达到目标性能指标。我们评估了不同LLM的性能，以评估它们在七个基本电路中的适用性和优化效果，并选择了性能最佳的模型Claude 3.5 Sonnet，用于进一步探索具有互补输入级和AB类输出级的运算放大器。该电路针对九个性能指标进行了评估，并在三个不同的性能需求组下进行了实验。达到目标要求的成功率高达60%。总的来说，这项工作证明了LLM在改进AMS电路设计方面的潜力。

🔬 方法详解

问题定义：论文旨在解决模拟和混合信号(AMS)电路设计中，晶体管尺寸设计过程耗时且依赖人工经验的问题。现有基于机器学习的EDA工具虽然有所改进，但仍存在迭代次数过多，且缺乏对AMS电路设计领域知识的有效利用，导致优化效率不高。

核心思路：论文的核心思路是利用大型语言模型(LLM)在电路设计方面展现出的知识，构建一个AI Agent，该Agent能够理解电路设计需求，并结合外部电路仿真工具和数据分析功能，自动进行晶体管尺寸的调整和优化，从而减少人工干预，提高设计效率。

技术框架：该AI Agent的整体架构包含以下几个主要模块：1) LLM：作为核心决策引擎，负责理解设计目标、生成设计方案和指导优化方向；2) 外部电路仿真工具：用于评估电路性能，为LLM提供反馈；3) 数据分析功能：用于分析仿真结果，提取关键性能指标，并为LLM提供优化建议；4) 提示工程：通过精心设计的提示语，引导LLM生成更有效的设计方案。整个流程是一个迭代优化的过程，LLM根据仿真结果和数据分析不断调整设计方案，直到满足设计目标。

关键创新：该论文最重要的技术创新点在于将LLM引入到AMS电路的晶体管尺寸设计中，并构建了一个完整的AI Agent框架。与传统的基于规则或优化的EDA工具相比，该方法能够利用LLM的知识推理能力，更智能地进行设计决策。此外，通过提示工程，可以有效地引导LLM，使其更好地适应电路设计的特定任务。

关键设计：论文中关键的设计包括：1) LLM的选择：实验评估了多个LLM，最终选择了Claude 3.5 Sonnet作为最佳模型；2) 提示语的设计：通过精心设计的提示语，引导LLM理解设计目标、生成设计方案和指导优化方向；3) 仿真工具的集成：将LLM与外部电路仿真工具无缝集成，实现自动化的电路性能评估；4) 性能指标的选取：针对不同的电路，选取合适的性能指标作为优化目标。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于LLM的AI Agent在多个基本电路的晶体管尺寸设计中取得了成功。对于一个具有互补输入级和AB类输出级的运算放大器，该Agent在三个不同的性能需求组下，达到了高达60%的目标要求成功率。此外，通过对比不同LLM的性能，验证了Claude 3.5 Sonnet在该任务上的优越性。

🎯 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设计，例如运算放大器、滤波器、模数转换器等。通过自动化晶体管尺寸设计过程，可以显著缩短设计周期，降低设计成本，并提高电路性能。未来，该技术有望推广到更复杂的集成电路设计中，推动电子设计自动化领域的发展。

📄 摘要（原文）

The design of Analog and Mixed-Signal (AMS) integrated circuits (ICs) often involves significant manual effort, especially during the transistor sizing process. While Machine Learning techniques in Electronic Design Automation (EDA) have shown promise in reducing complexity and minimizing human intervention, they still face challenges such as numerous iterations and a lack of knowledge about AMS circuit design. Recently, Large Language Models (LLMs) have demonstrated significant potential across various fields, showing a certain level of knowledge in circuit design and indicating their potential to automate the transistor sizing process. In this work, we propose an LLM-based AI agent for AMS circuit design to assist in the sizing process. By integrating LLMs with external circuit simulation tools and data analysis functions and employing prompt engineering strategies, the agent successfully optimized multiple circuits to achieve target performance metrics. We evaluated the performance of different LLMs to assess their applicability and optimization effectiveness across seven basic circuits, and selected the best-performing model Claude 3.5 Sonnet for further exploration on an operational amplifier, with complementary input stage and class AB output stage. This circuit was evaluated against nine performance metrics, and we conducted experiments under three distinct performance requirement groups. A success rate of up to 60% was achieved for reaching the target requirements. Overall, this work demonstrates the potential of LLMs to improve AMS circuit design.