AnalogRetriever: 아날로그 회로 검색을 위한 교차 모드 표현 학습

AnalogRetriever: Learning Cross-Modal Representations for Analog Circuit Retrieval

아날로그 회로 설계는 기존의 지적 재산(IP)을 재사용하는 데 크게 의존하지만, SPICE 회로도, 회로도 및 기능 설명과 같은 이질적인 표현을 검색하는 것은 여전히 어려운 과제입니다. 기존 방법은 대부분 단일 모드 내의 정확한 매칭에 국한되며, 모드 간의 의미적 관계를 파악하지 못합니다. 이러한 격차를 해소하기 위해, 본 논문에서는 아날로그 회로 검색을 위한 통합된 삼중 모드 검색 프레임워크인 AnalogRetriever를 제안합니다. 먼저, Masala-CHAI 데이터셋을 기반으로 두 단계의 수리 파이프라인을 통해 회로도 컴파일률을 22%에서 100%로 향상시킨 고품질 데이터셋을 구축했습니다. 이 기반을 바탕으로, AnalogRetriever는 회로도를 비전-언어 모델을 사용하여, 회로도 설명을 사용하여, 그리고 회로도를 포트 인지 관계 그래프 컨볼루션 신경망을 사용하여 각각 인코딩하고, 모든 세 가지 모드를 커리큘럼 대비 학습을 통해 공유된 임베딩 공간으로 매핑합니다. 실험 결과, AnalogRetriever는 모든 여섯 가지 교차 모드 검색 방향에서 평균 Recall@1이 75.2%로, 기존의 기준 모델보다 훨씬 우수한 성능을 보였습니다. 또한, AnalogRetriever를 AnalogCoder 에이전트 프레임워크의 검색 증강 생성 모듈로 통합했을 때, 기능 성공률을 지속적으로 향상시키고, 이전에 해결할 수 없었던 작업을 완료할 수 있도록 지원했습니다. 본 논문의 코드와 데이터셋은 공개될 예정입니다.

Analog circuit design relies heavily on reusing existing intellectual property (IP), yet searching across heterogeneous representations such as SPICE netlists, schematics, and functional descriptions remains challenging. Existing methods are largely limited to exact matching within a single modality, failing to capture cross-modal semantic relationships. To bridge this gap, we present AnalogRetriever, a unified tri-modal retrieval framework for analog circuit search. We first build a high-quality dataset on top of Masala-CHAI through a two-stage repair pipeline that raises the netlist compile rate from 22\% to 100\%. Built on this foundation, AnalogRetriever encodes schematics and descriptions with a vision-language model and netlists with a port-aware relational graph convolutional network, mapping all three modalities into a shared embedding space via curriculum contrastive learning. Experiments show that AnalogRetriever achieves an average Recall@1 of 75.2\% across all six cross-modal retrieval directions, significantly outperforming existing baselines. When integrated into the AnalogCoder agentic framework as a retrieval-augmented generation module, it consistently improves functional pass rates and enables previously unsolved tasks to be completed. Our code and dataset will be released.