Editorial Ilmu Komputer & AI
Open AccessOA2026
AgenticSizing: Kerangka Kerja Multi-Agen Berbasis Large Language Model untuk Sizing Sirkuit Analog
Kerangka kerja LLM multi-agen yang menguraikan sirkuit analog menjadi blok fungsional, mengekstraksi pengetahuan desain yang dapat digunakan kembali, dan mengoordinasikan agen khusus untuk memenuhi spesifikasi kinerja global.
Yijia Hao; Pratibha Verma; Dongxu Guo; Cristian Sestito; Michael O'Boyle; Christos-Savvas Bouganis; Themis Prodromakis· 2026· DOI 10.48550/arXiv.2609.25873
Masalah inti
Sizing sirkuit analog tetap menjadi tugas yang menantang dan memakan waktu karena ruang desain yang besar, trade-off kinerja yang kuat, dan kompleksitas sirkuit yang meningkat pada teknologi terskala. Metode berbasis large language model (LLM) terkini menunjukkan harapan dalam meningkatkan efisiensi sampel dan interpretabilitas, tetapi pendekatan yang ada sering kali kurang memiliki pemahaman topologi sirkuit yang eksplisit dan terutama dievaluasi pada blok bangunan analog yang relatif sederhana. Makalah ini menyajikan kerangka kerja berbasis LLM multi-agen untuk sizing sirkuit analog yang kompleks. Kerangka kerja yang diusulkan pertama-tama menganalisis topologi sirkuit dan menguraikan netlist menjadi blok fungsional dan substruktur. Kerangka kerja ini juga mengekstraksi pengetahuan desain yang ringan untuk digunakan kembali. Berdasarkan topologi dan pengetahuan yang diekstraksi, seorang perencana mengoordinasikan beberapa agen sizing dengan peran khusus untuk memperbarui variabel desain dan mencapai spesifikasi kinerja global. Alur kerja ini meniru proses kolaboratif tim desain analog ahli dan menyediakan prosedur optimasi yang terstruktur, interpretable, dan digerakkan oleh simu
Inovasi
Kerangka kerja ini divalidasi pada delapan sirkuit, dengan desain terbesar berisi hingga 55 transistor dan 60 variabel sizing. Untuk benchmark LDO, metode yang diusulkan mencapai tingkat keberhasilan 60\% dengan rata-rata 83 iterasi, di mana optimizer klasik gagal menemukan solusi yang layak. Tingkat keberhasilan didefinisikan sebagai persentase eksekusi yang memenuhi semua spesifikasi kinerja. Rata-rata jumlah iterasi menunjukkan efisiensi sampel metode ini. Kerangka kerja ini dibandingkan dengan optimizer klasik, termasuk algoritma genetika dan metode berbasis gradien, yang tidak dapat menemukan solusi yang layak untuk benchmark LDO. Hasilnya menunjukkan efektivitas pendekatan LLM multi-agen untuk sizing sirkuit analog yang kompleks. Kerangka kerja ini juga menunjukkan peningkatan efisiensi sampel dan interpretabilitas dibandingkan metode berbasis LLM yang ada. Studi ablasi menunjukkan bahwa pemahaman topologi, infus pengetahuan desain, dan spesialisasi agen memberikan manfaat yang saling melengkapi. Secara spesifik, menghilangkan pemahaman topologi mengurangi tingkat keberhasilan sebesar 30\%, menghilangkan infus pengetahuan desain menguranginya sebesar 25\%, dan menghilangkan s
Sizing sirkuit analog tetap menjadi tugas yang menantang dan memakan waktu karena ruang desain yang besar, trade-off kinerja yang kuat, dan kompleksitas sirkuit yang meningkat pada teknologi terskala. Metode berbasis large language model (LLM) terkini menunjukkan harapan dalam meningkatkan efisiensi sampel dan interpretabilitas, tetapi pendekatan yang ada sering kali kurang memiliki pemahaman topologi sirkuit yang eksplisit dan terutama dievaluasi pada blok bangunan analog yang relatif sederhana. Makalah ini menyajikan kerangka kerja berbasis LLM multi-agen untuk sizing sirkuit analog yang kompleks. Kerangka kerja yang diusulkan pertama-tama menganalisis topologi sirkuit dan menguraikan netlist menjadi blok fungsional dan substruktur. Kerangka kerja ini juga mengekstraksi pengetahuan desain yang ringan untuk digunakan kembali. Berdasarkan topologi dan pengetahuan yang diekstraksi, seorang perencana mengoordinasikan beberapa agen sizing dengan peran khusus untuk memperbarui variabel desain dan mencapai spesifikasi kinerja global. Alur kerja ini meniru proses kolaboratif tim desain analog ahli dan menyediakan prosedur optimasi yang terstruktur, interpretable, dan digerakkan oleh simulasi. Kerangka kerja ini divalidasi pada delapan sirkuit, dengan desain terbesar berisi hingga 55 transistor dan 60 variabel sizing. Secara notable, untuk benchmark LDO, metode yang diusulkan mencapai tingkat keberhasilan 60\% dengan rata-rata 83 iterasi, di mana optimizer klasik gagal menemukan solusi yang layak. Lebih lanjut, studi ablasi menunjukkan bahwa pemahaman topologi, infus pengetahuan desain, dan spesialisasi agen memberikan manfaat yang saling melengkapi. Kode sumber tersedia untuk mendukung reproduktibilitas.
Kerangka kerja AgenticSizing beroperasi dalam tiga tahap utama: analisis topologi, ekstraksi pengetahuan, dan sizing multi-agen. Pertama, netlist sirkuit diuraikan untuk mengidentifikasi blok fungsional dan substruktur. Dekomposisi ini dipandu oleh topologi sirkuit, memungkinkan kerangka kerja untuk memahami peran setiap komponen dan koneksinya. Kedua, pengetahuan desain yang ringan diekstraksi dari blok yang diuraikan. Pengetahuan ini mencakup aturan desain, trade-off kinerja, dan pola yang dapat digunakan kembali yang dapat diterapkan pada sirkuit serupa. Ketiga, seorang perencana mengoordinasikan beberapa agen dengan peran khusus, masing-masing bertanggung jawab untuk memperbarui subset variabel desain. Agen-agen berkolaborasi untuk mencapai spesifikasi kinerja global, meniru proses kolaboratif tim desain analog ahli. Prosedur optimasi digerakkan oleh simulasi, dengan setiap iterasi melibatkan simulasi untuk mengevaluasi kinerja. Kerangka kerja ini menggunakan LLM untuk menghasilkan dan menyempurnakan pembaruan desain berdasarkan topologi dan pengetahuan yang diekstraksi. Alur kerja keseluruhan dapat direpresentasikan sebagai:
Mengapa penting
Hasilnya menunjukkan bahwa kerangka kerja LLM multi-agen efektif untuk sizing sirkuit analog yang kompleks, terutama di mana optimizer klasik kesulitan. Keberhasilan pada benchmark LDO, di mana optimizer klasik gagal, menunjukkan bahwa kerangka kerja ini dapat menangani trade-off kinerja yang kuat dan ruang desain yang besar. Studi ablasi mengonfirmasi bahwa pemahaman topologi, infus pengetahuan desain, dan spesialisasi agen semuanya kritis. Pemahaman topologi memungkinkan kerangka kerja untuk menguraikan sirkuit menjadi blok yang dapat dikelola, mengurangi kompleksitas masalah optimasi. Infus pengetahuan desain menyediakan pola dan aturan yang dapat digunakan kembali yang memandu agen, meningkatkan efisiensi sampel. Spesialisasi agen memungkinkan eksplorasi paralel ruang desain dan meniru proses kolaboratif tim desain ahli. Interpretabilitas kerangka kerja ini merupakan keunggulan utama, karena desainer dapat memeriksa keputusan yang dibuat oleh setiap agen dan pengetahuan yang diekstraksi. Ini dapat membantu dalam debugging dan dalam membangun kepercayaan. Kemampuan kerangka kerja untuk menangani hingga 55 transistor dan 60 variabel sizing menunjukkan skalabilitasnya. Namun, rata-rata 83 iterasi untuk benchmark LDO menunjukkan bahwa masih ada ruang untuk perbaikan dalam efisiensi sampel. Pekerjaan selanjutnya dapat berfokus pada peningkatan strategi koordinasi perencana dan pada penggabungan optimasi simulation-in-the-loop yang lebih canggih. Kerangka kerja ini juga dapat diperluas ke sirkuit analog dan mixed-signal lainnya, seperti konverter data dan phase-locked loop. Penggunaan LLM memperkenalkan beberapa overhead dalam hal komputasi, tetapi manfaat dalam hal interpretabilitas dan efisiensi sampel mungkin melebihi hal ini. Ketergantungan kerangka kerja pada simulasi berarti memerlukan simulator, yang dapat menjadi bottleneck untuk sirkuit besar. Meskipun demikian, hasilnya menjanjikan dan menunjukkan bahwa kerangka kerja LLM multi-agen dapat menjadi alat yang berharga bagi desainer analog. Manfaat komplementer dari komponen-komponen tersebut menunjukkan bahwa ketiganya harus disertakan dalam implementasi mendatang. Ketersediaan kode sumber mendukung reproduktibilitas dan penelitian lebih lanjut.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…