核心发现
方法论
本文提出LLM-SPICEMixer框架，将基于遗传算法的电路拓扑搜索与大规模语言模型（LLMs）结合。核心创新在于引入IGEL（Inspiration-Guided Evolution with LLMs），作为提案算子，通过提示高性能电路，生成新候选SPICE网表。该网表由SPICE仿真评估，结合传统遗传操作（变异、交叉、剪枝）进行选择。此方法利用LLM的结构化生成能力，增强搜索多样性与引导性，有效减少早熟收敛。实验在实现Iris分类判别函数的晶体管级电路任务中，奖励指标中位数提升8.4%，验证集测试奖励提升8.8%。
关键结果
- LLM-SPICEMixer在目标任务中显著优于无引导的遗传框架，最终验证电路达93.3%的测试准确率，平均在17个工艺、电压、温度角落中达到85.9%的性能。中位数训练奖励提升8.4%，验证集测试奖励提升8.8%。
- 引入IGEL后，搜索效率提升，最优电路在奖励指标上优于基线，且能在多工艺角落保持鲁棒性，验证了LLM引导的有效性。
研究意义
该研究突破了模拟电路拓扑合成中的传统限制，利用LLMs引导遗传算法探索非典型拓扑结构，有助于解决设计空间巨大、非线性变化复杂的问题。其在电路设计自动化、优化效率和创新性方面具有重要推动作用，为未来智能电路设计提供新思路，特别是在非标准任务和复杂性能目标下的应用潜力巨大。
技术贡献
本研究的技术创新在于将LLM作为结构化提案算子融入遗传搜索，结合SPICE仿真实现闭环优化。提出IGEL机制，利用高性能电路作为启发，增强搜索的引导性和多样性。相较于传统纯算法或单一LLM设计，该方法在保持仿真真实性的基础上，显著提高搜索效率和结果质量，开辟了模拟电路自动合成的新路径。
新颖性
首次将大规模语言模型直接嵌入到晶体管级模拟电路拓扑的遗传算法中，利用LLM生成结构化候选网表，结合仿真验证实现目标性能。区别于以往仅用LLM生成或验证的单一方法，本研究创新性地将其作为提案算子，提升了搜索的结构多样性和效率。
局限性
- 当前方法依赖于高性能LLM模型，计算成本较高，特别是在大规模仿真和多工艺角落评估时。模型提示设计仍需优化，可能影响生成质量。
- 适用范围主要限于特定任务（如判别函数），在更复杂或多目标电路设计中效果尚未验证。未来需扩展到更广泛的电路类别。
- 仿真评估的准确性受SPICE模型精度影响，可能存在仿真偏差导致的优化偏差。
未来方向
未来将探索多模态提示策略，结合强化学习优化LLM提案质量，提升搜索效率。还计划扩展到更复杂电路结构和多目标优化，结合硬件实现验证，推动自动化电路设计的工业应用。
AI 总览摘要
模拟电路拓扑合成一直是电子设计自动化中的难题，尤其是在复杂非线性变化和庞大搜索空间中。传统方法如贝叶斯优化和强化学习在固定拓扑上表现良好，但面对离散结构选择时效果有限。近年来，遗传算法因其直接操作电路网表的能力成为研究热点，但其评估成本高、易早熟收敛。本文提出的LLM-SPICEMixer通过引入大规模语言模型（LLMs）作为结构提案算子，有效增强了搜索的多样性和引导性。核心创新在于IGEL机制，利用高性能电路作为启发，提示LLM生成新的候选网表，结合SPICE仿真验证性能。实验在实现Iris分类判别函数的晶体管级电路任务中，奖励指标中位数提升8.4%，验证集测试奖励提升8.8%。最终验证电路在多工艺角落中表现鲁棒，达成93.3%的测试准确率。该方法不仅突破了传统模拟电路合成的瓶颈，也为智能电路设计提供了新思路。未来，结合多模态提示和强化学习，有望实现更复杂电路的自动化设计，推动行业向更高效、更智能的方向发展。
深度分析
研究背景
模拟电路设计历经数十年发展，传统方法依赖专家经验和手工调优，效率有限。近年来，贝叶斯优化、强化学习等技术逐步应用于参数调优和拓扑优化，但在结构离散性和非线性方面仍面临挑战。特别是在非标准任务如判别函数合成中，缺乏通用模板，设计空间巨大。深度学习和大规模语言模型（LLMs）为自动生成电路提供新可能，但多为单一生成或验证，缺乏有效引导机制。现有研究多集中于特定电路类别（如运算放大器、滤波器），缺少通用的拓扑探索框架。电路合成的复杂性在于结构多样性、仿真成本和性能保证，亟需结合智能算法与深度学习的混合策略。
核心问题
核心问题在于如何高效探索庞大离散的电路拓扑空间，尤其是在缺乏先验模板的情况下实现目标性能。传统遗传算法虽能直接操作网表，但评估成本高，易陷入局部最优。单纯依赖LLMs生成完整电路缺乏可靠性，难以保证创新性和多样性。如何结合深度学习的生成能力与仿真验证的真实性，设计出既创新又高效的搜索机制，是当前的瓶颈。特别是在多工艺、多环境条件下，鲁棒性和优化效率成为关键难题。
核心创新
本研究的创新点包括：1）将大规模语言模型作为结构提案算子，增强遗传搜索的引导性和多样性，2）提出IGEL机制，利用高性能电路作为启发，提示LLM生成新候选，3）结合SPICE仿真实现闭环优化，确保性能真实性。这一方案突破了传统单一算法的局限，显著提升搜索效率和结果质量。不同于以往仅用深度学习生成电路或纯仿真优化的方法，本研究实现了深度学习与仿真验证的有效结合，为模拟电路自动合成开辟新路径。
方法详解
- �� 初始化：利用遗传算法建立电路候选集，定义适应度函数。• 提取高性能电路：从当前最优集抽样，作为LLM的启发输入。• 提示设计：构建包含多样电路的提示模板，结合结构信息和性能指标。• LLM生成：模型分析启发电路，输出结构化的候选网表。• 预处理：去除重复拓扑，简化模型，确保多样性。• 仿真评估：用SPICE在多工艺角落测试候选电路，计算奖励。• 选择与更新：根据奖励更新候选集，继续迭代。• 结合传统操作：交叉、变异、剪枝与IGEL共同作用，优化搜索路径。
实验设计
采用Iris数据集，分为训练、验证和测试集，目标是合成实现判别函数的晶体管级电路。使用SkyWater PDK，考虑晶体管宽长比参数。评估指标包括分类准确率和输出电压差异，结合多工艺、多电压和温度角落的仿真。对比基线包括无引导遗传算法和GNN基础方法，采用奖励机制引导搜索。每次实验进行131,072次提案，统计九次独立运行的平均表现，分析不同提示模板和模型大小的影响。
结果分析
引入LLM引导后，奖励中位数从0.747提升至0.810，最优电路奖励达0.855，验证准确率达93.3%，平均在17个工艺角落中表现良好。与无引导方法相比，显著提升搜索效率和最终性能，验证了LLM提案的有效性。 Ablation研究显示，带推理的提示和“差异”格式最优，模型规模越大效果越明显。
应用场景
该方法适用于自动化设计高性能、非标准电路，特别是在复杂性能目标和多环境鲁棒性要求下。可广泛应用于模拟电路、传感器接口、信号处理等领域，减少设计时间和成本，推动工业智能化升级。
局限与展望
当前依赖高算力的LLM模型，计算成本较高。仿真依赖SPICE模型的精度，可能受模型偏差影响。适用范围主要限于特定任务，复杂多目标设计仍需验证。未来需优化提示策略和模型效率，扩展到更复杂电路类别。
通俗解读 非专业人士也能看懂
想象你在做一道复杂的拼图游戏，目标是拼出一幅漂亮的画。传统方法就像用手一块块拼，费时又容易卡壳。现在，有个聪明的助手（LLM）可以给你建议下一块拼图应该放在哪里，但它不能直接拼好全部图。你会把一些已经拼好的漂亮部分告诉助手，让它帮你想出下一步怎么拼。然后你用仿真软件检查这个拼法是否漂亮，满意了再继续。这个过程不断循环，最终拼出一幅完整的画。这个方法比单纯自己拼或只依赖助手更快、更靠谱，也能拼出以前没想到的漂亮作品。
简单解释 像给14岁少年讲一样
想象你在玩一个超级难的拼图游戏，目标是拼出一幅漂亮的画。你可以自己拼，但很慢也容易卡壳。于是，你找了个聪明的朋友（就像大语言模型），让他帮你出主意。你告诉他你已经拼好的部分，他会给你一些建议，告诉你下一块拼图应该放在哪里。你试试这个建议，用电脑模拟看看效果，满意了就继续。这个过程不断重复，最后你能拼出一幅漂亮的画，比自己拼更快也更有创意。这个方法就像用智能助手帮你拼拼图，让复杂的任务变得简单又有趣！
术语表
LLM（Large Language Model，大规模语言模型）
一种基于深度学习的模型，能理解和生成自然语言，广泛用于文本生成和理解任务。
在本文中，LLM用于生成电路结构的提案。
SPICE
一种电路仿真工具，用于评估电路性能和行为，广泛应用于电路设计验证。
用来评估候选电路的性能。
IGEL（Inspiration-Guided Evolution with LLMs）
一种结合LLM的遗传算法提案算子，通过启发式电路生成新候选。
本文的核心创新机制。
遗传算法（Genetic Algorithm）
一种模拟自然选择的优化算法，通过选择、交叉、变异不断改进候选解。
用于电路拓扑的搜索。
奖励机制（Reward Mechanism）
用来衡量候选电路性能的指标，指导优化方向。
结合仿真结果进行选择。
开放问题 这项研究留下的未解疑问
- 1 如何进一步降低LLM推理的计算成本，提升生成质量？
- 2 在更复杂电路任务中，如何保证仿真与生成的有效结合？
- 3 多目标优化中如何平衡性能、面积和鲁棒性？
应用场景
近期应用
自动电路设计工具
结合LLM和仿真快速生成高性能电路原型，减少人工调试时间，适用于芯片设计公司。
智能电路优化平台
为研究人员提供自动化探索复杂电路拓扑的解决方案，加快创新步伐。
远期愿景
全自动化电路设计流程
实现从需求到电路原型的全流程自动化，极大降低设计门槛，推动工业智能制造。
原文摘要
Analog circuit topology synthesis remains challenging because useful designs occupy a tiny fraction of a combinatorial search space, and small structural changes can induce highly nonlinear changes in behavior. Evolutionary algorithms are attractive because they can optimize over discrete circuit topologies using only black-box evaluations, but they often require many SPICE simulations and may converge prematurely. We introduce LLM-SPICEMixer, a hybrid synthesis framework that augments genetic netlist generation with IGEL (Inspiration-Guided Evolution with LLMs), an LLM-based proposal operator. During search, IGEL prompts an LLM with high-performing circuits from the elite set and instructs it to generate a new SPICE netlist, which is then evaluated by SPICE and selected using the same reward mechanism as conventional genetic operators. Thus, the LLM contributes structured topology proposals while simulation remains the source of truth. We evaluate LLM-SPICEMixer on a challenging benchmark task: synthesizing transistor-level circuits that implement a discriminant function for Iris classification. Compared with the genetic framework without LLM guidance, LLM-SPICEMixer improves the median final training reward by 8.4% and the median validation-selected test reward by 8.8%. The best validation-selected circuit achieves 93.3% test accuracy at the nominal tt corner and 85.9% average test accuracy across 17 process, voltage, and temperature corners.