核心概念
Schemato 是一種針對電路網表到電路圖轉換任務進行微調的大型語言模型 (LLM),旨在提高基於機器學習的類比電路合成的可解釋性和實用性。
簡介
本文介紹了 Schemato,這是一種針對電路網表到電路圖轉換任務進行微調的大型語言模型 (LLM)。隨著機器學習 (ML) 在類比電路設計中的應用日益增多,將 ML 生成的網表轉換為人類可理解的電路圖對於設計理解、故障排除和開發至關重要。Schemato 旨在自動執行此轉換過程,從而提高基於 ML 的類比電路合成的可解釋性和實用性。
Schemato 的方法
Schemato 的核心是一個 LLM,該模型使用人工創建的網表-電路圖對數據集進行微調。其開發重點關注三個關鍵組成部分:
**任務定義:**構建定義網表到電路圖轉換任務的提示。
**通過上下文進行指導:**在提示中加入少量或上下文示例,以指導模型。
**微調:**使用專門的網表-電路圖對數據集調整模型。
Schemato 支持兩種不同的電路圖生成格式:
**LTSpice (.asc):**與 LTSpice 電路圖生成工具兼容的腳本。
**CircuitTikz (LATEX):**使用 CircuitTikz 庫為 LATEX 文檔生成電路圖的代碼。
實驗結果
在使用 LTSpice 和 CircuitTikz 數據集進行的實驗中,Schemato 的表現優於最先進的 LLM,包括 Llama-3.1-8B 和 GPT-4o。具體來說,Schemato 在網表到 LATEX 轉換任務中,在所有指標(包括文本相似度、編譯成功率和圖像相似度)上均取得了顯著優於基準模型的結果。對於網表到 .asc 轉換任務,Schemato 在圖像相似度得分 (MSSIM) 方面也優於所有其他模型。
結論與未來方向
Schemato 是一種很有前景的工具,可用於從網表生成人類可理解的電路圖,從而增強基於 ML 的類比電路設計的可解釋性和實用性。未來的改進方向包括使用額外的電路和先進的數據增強技術來豐富數據集,以及探索將大型電路分解成更小的子電路以提高模型處理複雜設計的能力。此外,還需要研究更強大的基於圖形的評估指標,以更準確地評估生成的電路圖的拓撲結構。
統計資料
Schemato 在網表到 LATEX 轉換任務中實現了高達 93% 的編譯成功率,而最先進的 LLM 的成功率不超過 26%。
Schemato 生成的電路圖的平均結構相似性指標 (MSSIM) 比表現最佳的 LLM 高 3 倍。
訓練後的 Schemato 模型在單個 NVIDIA Ada-6000 GPU 上實現了約 23 個詞元/秒的推理速度。
該研究使用了包含 2,712 個不同電路的自定義數據集對 Schemato 進行微調,並通過數據增強技術將其擴展至 12,974 個訓練樣本。