FALCON: An ML Framework for Fully Automated Layout-Constrained Analog Circuit Design

📄 arXiv: 2505.21923v2 📥 PDF

作者: Asal Mehradfar, Xuzhe Zhao, Yilun Huang, Emir Ceyani, Yankai Yang, Shihao Han, Hamidreza Aghasi, Salman Avestimehr

分类: cs.LG, cs.AI, cs.AR, cs.CE

发布日期: 2025-05-28 (更新: 2025-10-27)

备注: Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

💡 一句话要点

FALCON：全自动布局约束模拟电路设计的机器学习框架

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

关键词: 模拟电路设计 机器学习 图神经网络 布局约束优化 电路综合

📋 核心要点

  1. 现有模拟电路设计流程复杂，涉及拓扑选择、参数推断和布局可行性等多个阶段，缺乏统一的自动化框架。
  2. FALCON通过性能驱动的拓扑选择和布局约束优化，实现全自动的模拟电路综合，核心是基于图神经网络的性能预测和梯度优化。
  3. 实验表明，FALCON在拓扑推断上准确率超过99%，性能预测误差小于10%，单实例设计时间小于1秒，效率显著提升。

📝 摘要（中文）

本文提出FALCON，一个统一的机器学习框架，通过拓扑选择和布局约束优化，实现规范驱动的全自动模拟电路综合。给定目标性能，FALCON首先利用性能驱动的分类器，在人工设计启发式规则的指导下选择合适的电路拓扑。然后，它采用定制的、以边为中心的图神经网络，该网络经过训练，可以将电路拓扑和参数映射到性能，从而通过学习到的前向模型实现基于梯度的参数推断。这种推断由可微分的布局成本指导，该成本源于捕获寄生和频率相关效应的解析方程，并受到设计规则的约束。我们在一个大规模的定制数据集上训练和评估FALCON，该数据集包含100万个模拟毫米波电路，这些电路是使用Cadence Spectre在20个专家设计的拓扑结构上生成和仿真的。通过评估，FALCON在拓扑推断方面表现出>99%的准确率，在性能预测方面表现出<10%的相对误差，并实现了高效的布局感知设计，每个实例的完成时间不到1秒。这些结果表明，FALCON是端到端模拟电路设计自动化的实用且可扩展的基础模型。

🔬 方法详解

问题定义：模拟电路设计是一个复杂的多阶段过程，包括拓扑选择、参数推断和布局可行性验证。现有的方法通常依赖于人工经验，自动化程度低，且难以在设计早期考虑布局约束，导致设计周期长，性能难以保证。因此，需要一个能够自动进行拓扑选择、参数优化并考虑布局约束的统一框架。

核心思路：FALCON的核心思路是利用机器学习技术，特别是图神经网络，学习电路拓扑、参数与性能之间的映射关系，从而实现基于梯度的参数优化。同时，引入可微分的布局成本函数，将布局约束纳入优化过程，实现布局感知的电路设计。

技术框架：FALCON框架包含两个主要模块：拓扑选择和布局约束优化。首先，利用性能驱动的分类器选择合适的电路拓扑。然后，使用定制的、以边为中心的图神经网络预测电路性能，并基于预测性能和可微分的布局成本函数，通过梯度下降优化电路参数。整个流程在Cadence Spectre仿真器上进行验证。

关键创新：FALCON的关键创新在于：1) 提出了一个统一的机器学习框架，能够同时处理拓扑选择和布局约束优化；2) 使用以边为中心的图神经网络进行性能预测，能够更好地捕捉电路拓扑结构信息；3) 引入了可微分的布局成本函数，将布局约束纳入优化过程，实现了布局感知的电路设计。

关键设计：FALCON使用大规模的定制数据集进行训练，该数据集包含100万个模拟毫米波电路。图神经网络的损失函数包括性能预测误差和布局成本。布局成本函数基于解析方程，能够快速评估寄生效应和频率相关效应。拓扑选择分类器使用交叉熵损失函数进行训练。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FALCON在包含100万个模拟毫米波电路的大规模数据集上进行了评估，结果表明，拓扑推断准确率超过99%，性能预测相对误差小于10%，并且每个实例的设计时间小于1秒。这些结果表明，FALCON在模拟电路设计自动化方面具有显著的优势。

🎯 应用场景

FALCON可应用于各种模拟电路设计场景，例如射频电路、电源管理电路和数据转换器等。该框架能够显著缩短设计周期，提高设计效率，并优化电路性能。此外，FALCON还可以作为模拟电路设计自动化的基础模型，为未来的研究提供支持。

📄 摘要（原文）

Designing analog circuits from performance specifications is a complex, multi-stage process encompassing topology selection, parameter inference, and layout feasibility. We introduce FALCON, a unified machine learning framework that enables fully automated, specification-driven analog circuit synthesis through topology selection and layout-constrained optimization. Given a target performance, FALCON first selects an appropriate circuit topology using a performance-driven classifier guided by human design heuristics. Next, it employs a custom, edge-centric graph neural network trained to map circuit topology and parameters to performance, enabling gradient-based parameter inference through the learned forward model. This inference is guided by a differentiable layout cost, derived from analytical equations capturing parasitic and frequency-dependent effects, and constrained by design rules. We train and evaluate FALCON on a large-scale custom dataset of 1M analog mm-wave circuits, generated and simulated using Cadence Spectre across 20 expert-designed topologies. Through this evaluation, FALCON demonstrates >99% accuracy in topology inference, <10% relative error in performance prediction, and efficient layout-aware design that completes in under 1 second per instance. Together, these results position FALCON as a practical and extensible foundation model for end-to-end analog circuit design automation.