[論文レビュー] AmpAgent: An LLM-based Multi-Agent System for Multi-stage Amplifier Schematic Design from Literature for Process and Performance Porting

Chengjie Liu, Wei-Yu Chen+4 more|arXiv (Cornell University)|Sep 23, 2024

Scheduling and Optimization Algorithms被引用数 8

ひとこと要約

AmpAgent は、文献から多段アンプの回路図を設計するために3エージェントのLLMフレームワークを使用し、プロセスと性能のポーティングを行い、従来の最適化や元の文献に対して大幅な効率と性能向上を実現します。

ABSTRACT

Multi-stage amplifiers are widely applied in analog circuits. However, their large number of components, complex transfer functions, and intricate pole-zero distributions necessitate extensive manpower for derivation and param sizing to ensure their stability. In order to achieve efficient derivation of the transfer function and simplify the difficulty of circuit design, we propose AmpAgent: a multi-agent system based on large language models (LLMs) for efficiently designing such complex amplifiers from literature with process and performance porting. AmpAgent is composed of three agents: Literature Analysis Agent, Mathematics Reasoning Agent and Device Sizing Agent. They are separately responsible for retrieving key information (e.g. formulas and transfer functions) from the literature, decompose the whole circuit's design problem by deriving the key formulas, and address the decomposed problem iteratively. AmpAgent was employed in the schematic design of seven types of multi-stage amplifiers with different compensation techniques. In terms of design efficiency, AmpAgent has reduced the number of iterations by 1.32$ \sim $4${\times}$ and execution time by 1.19$ \sim $2.99${\times}$ compared to conventional optimization algorithms, with a success rate increased by 1.03$ \sim $6.79${\times}$. In terms of circuit performance, it has improved by 1.63$ \sim $27.25${\times}$ compared to the original literature. The findings suggest that LLMs could play a crucial role in the field of complex analog circuit schematic design, as well as process and performance porting.

研究の動機と目的

• 自動化された、文献に基づく複雑なアナログ多段アンプ設計を動機づける。
• プロセスと性能のポーティングで文献のギャップを埋める。
• 専門エージェントを用いてアンプ設計問題を扱いやすいサブ問題に分解する。
• 従来の最適化手法と比較して効率と性能の向上を示す。
• 一般化性を検証するために複数の補償方式とプロセスで AmpAgent を評価する。

提案手法

• 三つの相互 connected エージェント（Literature Analysis Agent、Mathematics Reasoning Agent、Device Sizing Agent）が ReAct プロンプトの下で動作する。
• Literature Analysis Agent は Retrieval-Augmented Generation（RAG）を用いて文献から式と安定条件を抽出し、ベクトルデータベースを構築する。
• Mathematics Reasoning Agent は伝達関数ベースの極と零点とサブ設計タスクの目標を導出し、Python コードを生成し方程式を解くのに SymPy を使用する。
• Device Sizing Agent は回路シミュレータとインターフェースし、計算機を用いてデバイスパラメータ（W/L、gm など）を推定し、従来の最適化手法（例：ABC、TuRBO）を用いてデバイスのサイズを決定する。
• 再利用のため中間推論ステップを保存して効率を改善し、トークン使用を削減する。
• LLM 主導の分解と従来の最適化を組み合わせて、速度と正確さのバランスを図る。

実験結果

リサーチクエスチョン

• RQ1 文献からポーティングを含むプロセスと性能を適用したマルチステージアンプの回路図設計を、LLMベースのマルチエージェントシステムは効果的に実現できるか。
• RQ2 サブタスクへの問題分解は、エンドツーエンド最適化と比べて設計効率と成功率にどのような影響を与えるか。
• RQ3 複数のアンプトポロジと補償法において元の文献と比較してどの程度の性能向上が得られるか。
• RQ4 サブ問題と全体最適化に従来の最適化を統合することで、設計スピードと成功率は向上するか。

主な発見

• AmpAgent は従来の最適化アルゴリズムと比較して繰り返し回数を 1.32×～4×、実行時間を 1.19×～2.99×短縮する。
• AmpAgent は文献ベースのベースラインに対して成功率を 1.03×～6.79×向上させる。
• AmpAgent は元の文献と比較してアンプ性能を 1.63×～27.25×向上させる。
• 7種類の複数段アンプが、さまざまな補償技法で設計・検証された。
• デバイスサイズ決定を従来の最適化と組み合わせると効率が向上し、設計タスクで最適化のみのベースラインを上回ることができる。
• 総じて AmpAgent は複雑なアナログ回路の回路図設計とプロセス/性能ポーティングに対するドメイン特化型 LLM の可能性を示している。