AMSnet-q: AMS 회로의 회로 식별 및 성능 레이블링을 위한 비지도 학습 기반 방법

AMSnet-q: Unsupervised Circuit Identification and Performance Labeling for AMS Circuits

아날로그 및 혼합 신호(AMS) 회로 설계는 여전히 전문가의 지식에 크게 의존합니다. 최근 AI 기반 자동화 도구는 후보 토폴로지를 생성할 수 있지만, 기능 및 성능 주석이 포함된 수동으로 큐레이션된 데이터 세트에 크게 의존하며, 이는 현재의 대규모 언어 모델(LLM) 및 비전 모델이 자동화할 수 없는 요구 사항입니다. 기존 접근 방식은 여전히 도메인 전문가가 회로 기능을 수동으로 해석하도록 요구합니다. 본 논문에서는 AMSnet-q를 소개합니다. AMSnet-q는 완전 자동화된, 비지도 학습 기반 파이프라인으로, 회로 스키마 이미지를 직접 레이블된 AMS 회로 데이터베이스로 변환하여 인간의 개입 없이 데이터 주석을 수행합니다. 기존 연구가 네트리스트 추출 단계에서 멈추는 것과는 달리, 본 프레임워크는 완전한 검증 루프를 자동화합니다. 즉, 스키마-네트리스트 변환, 토폴로지 기반 테스트 벤치 생성, 그리고 시뮬레이션 기반 크기 검증을 수행하여 회로 기능을 객관적으로 판단합니다. 28nm 기술에서 검증된 AMSnet-q는 AMSnet 1.0 데이터 세트의 739개의 스키마를 처리하여 4개의 회로 클래스, 105개의 고유한 토폴로지, 그리고 89,789개의 레이블된 장치 구성으로 구성된 데이터베이스를 자동으로 구축했습니다. AMSnet-q는 인간의 노력을 데이터 세트 크기와 분리하고, 각 회로 클래스 당 하나의 테스트 벤치 템플릿만 사용하도록 하여, 확장 가능하고 객관적이며 완전 자동화된 AMS 데이터베이스 구축을 가능하게 합니다.

Analog and mixed-signal (AMS) circuit design remains heavily reliant on expert knowledge. While recent AI-driven automation tools can generate candidate topologies, they critically depend on manually curated datasets with functional and performance annotations -- a requirement that current large language models (LLMs) and vision models cannot automate. Existing approaches still require domain experts to manually interpret circuit functionality. We present AMSnet-q, a fully automated, unsupervised pipeline that eliminates human-in-the-loop annotation by converting schematic images directly into a labeled AMS circuit database. Unlike prior work that stops at netlist extraction, our framework automates the complete verification loop: it performs schematic-to-netlist conversion, topology-aware testbench generation, and simulation-based sizing validation to objectively determine circuit functionality. Validated in 28 nm technology, AMSnet-q processed 739 schematics from the AMSnet 1.0 dataset, automatically constructing a repository of 4 circuit classes, 105 distinct topologies, and 89,789 labeled device configurations. By decoupling human effort from dataset volume and reducing the workload to a one-time testbench template per circuit class, AMSnet-q enables scalable, objective, and fully automated AMS database construction.