[论文解读] 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 8

一句话总结

AmpAgent 使用三智能体大型语言模型框架，从文献中设计多级放大器原理图，并进行工艺与性能移植，在相较于传统优化和原始文献方面实现显著的效率和性能提升。

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 $4${ imes}$ and execution time by 1.19$ \sim $2.99${ imes}$ compared to conventional optimization algorithms, with a success rate increased by 1.03$ \sim $6.79${ imes}$. In terms of circuit performance, it has improved by 1.63$ \sim $27.25${ imes}$ 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.

研究动机与目标

• 推动对复杂类比多级放大器的自动化、以文献为基础的设计。
• 通过工艺与性能移植弥合文献中的知识空缺。
• 利用专业代理将放大器设计问题分解为可处理的子问题。
• 展示相对于传统优化方法的效率与性能提升。
• 在多种补偿方案和工艺条件下评估 AmpAgent 以验证其泛化性。

提出的方法

• 三个相互关联的代理（文献分析代理、数学推理代理、器件尺寸代理）在 ReAct 提示下工作。
• 文献分析代理使用检索增强生成（RAG）从文献中提取公式与稳定性条件，并构建向量数据库。
• 数学推理代理推导基于传递函数的极点/零点以及子设计任务的目标，生成 Python 代码并使用 SymPy 求解方程。
• 器件尺寸代理与电路仿真器接口，使用计算器估算器件参数（W/L、gm 等），并采用传统优化器（如 ABC、TuRBO）对器件进行尺寸设计。
• 中间推理步骤被保存以供复用，从而提高效率并减少 token 使用。
• 将基于 LLM 的分解与传统优化相结合，以在速度和准确性之间取得平衡。

实验结果

研究问题

• RQ1 基于 LLM 的多智能体系统是否能够从文献中有效设计具有工艺和性能移植的多级放大器原理图？
• RQ2 与端到端优化相比，子任务分解如何影响设计效率和成功率？
• RQ3 在多种放大器拓扑和补偿方法下，相对于原始文献可以实现怎样的性能提升水平？
• RQ4 在子问题和整体优化中整合传统优化是否会提升设计速度和成功率？

主要发现

• 与传统优化算法相比，AmpAgent 将迭代次数降低了1.32×到4×，执行时间降低了1.19×到2.99×。
• 相对于基于文献的基线，AmpAgent 将成功率提升了1.03×到6.79×。
• 与原始文献相比，AmpAgent 将放大器性能提升了1.63×到27.25×。
• AmpAgent 设计并验证了七种不同补偿技术的多级放大器。
• 将器件尺寸设计与传统优化相结合可实现效率提升，在设计任务中甚至超越仅优化的基线。
• 总体而言，AmpAgent 展示了领域特定的 LLMs 在复杂模拟电路原理图设计和工艺/性能移植方面的潜力。