Image2Net: Datasets, Benchmark and Hybrid Framework to Convert Analog Circuit Diagrams into Netlists

📄 arXiv: 2508.13157v2 📥 PDF

作者: Haohang Xu, Chengjie Liu, Qihang Wang, Wenhao Huang, Yongjian Xu, Weiyu Chen, Anlan Peng, Zhijun Li, Bo Li, Lei Qi, Jun Yang, Yuan Du, Li Du

分类: cs.AR, cs.AI, cs.CV, eess.IV

发布日期: 2025-06-27 (更新: 2025-12-08)

备注: 10 pages, 12 figures, 6 tables

🔗 代码/项目: GITHUB

💡 一句话要点

提出Image2Net以解决模拟电路图转网表问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 电路图转换 网表生成 深度学习 数据集构建 自动化设计 电子设计自动化 大型语言模型

📋 核心要点

  1. 现有的电路图转网表方法在支持图像风格和电路元素方面存在局限，导致转换效果不理想。
  2. 本文提出了Image2Net框架，结合丰富的电路图数据集，旨在提高电路图到网表的转换效率和准确性。
  3. 实验结果显示，Image2Net的成功率为80.77%，且平均NED为0.116，显著优于现有技术，提升幅度达到62.1%-69.6%。

📝 摘要（中文）

大型语言模型（LLM）在模拟集成电路设计中展现出巨大潜力，但现有的模拟电路主要以图像形式呈现，而非文本网表。为此，本文构建了一个新的数据集，包含丰富风格的电路图，并提出了混合框架Image2Net，以实现电路图到网表的有效转换。通过引入网表编辑距离（NED）来评估转换效果，Image2Net在基准测试中成功率达到80.77%，比之前的工作提高了34.62%-45.19%。

🔬 方法详解

问题定义：本文旨在解决将复杂的模拟电路图有效转换为网表的难题。现有方法在处理不同风格和复杂度的电路图时表现不佳，限制了其应用范围。

核心思路：提出的Image2Net框架通过构建多样化的电路图数据集，结合深度学习技术，提升了电路图到网表的转换能力。此设计旨在增强模型的泛化能力和适应性。

技术框架：Image2Net框架主要包括数据预处理模块、特征提取模块和转换模块。数据预处理模块负责图像标准化，特征提取模块利用卷积神经网络提取电路图特征，转换模块则将提取的特征映射到相应的网表结构。

关键创新：本文的主要创新在于引入了网表编辑距离（NED）作为评估指标，提供了更精确的转换效果评估方法。此外，数据集的多样性和均衡性也是显著的贡献。

关键设计：在模型设计中，采用了特定的损失函数以优化转换精度，并通过数据增强技术提升模型的鲁棒性。网络结构方面，使用了多层卷积和全连接层的组合，以提高特征学习能力。

📊 实验亮点

实验结果表明，Image2Net在电路图到网表的转换中取得了80.77%的成功率，较之前方法提升了34.62%-45.19%。同时，平均网表编辑距离（NED）为0.116，较现有技术降低了62.1%-69.6%，显示出显著的性能优势。

🎯 应用场景

该研究在模拟电路设计、自动化电路分析和电子设计自动化（EDA）等领域具有广泛的应用潜力。通过提高电路图到网表的转换效率，能够加速电路设计流程，降低人工干预，提高设计的准确性和可靠性，推动智能设计工具的发展。

📄 摘要（原文）

Large Language Model (LLM) exhibits great potential in designing of analog integrated circuits (IC) because of its excellence in abstraction and generalization for knowledge. However, further development of LLM-based analog ICs heavily relies on textual description of analog ICs, while existing analog ICs are mostly illustrated in image-based circuit diagrams rather than text-based netlists. Converting circuit diagrams to netlists help LLMs to enrich the knowledge of analog IC. Nevertheless, previously proposed conversion frameworks face challenges in further application because of limited support of image styles and circuit elements. Up to now, it still remains a challenging task to effectively convert complex circuit diagrams into netlists. To this end, this paper constructs and opensources a new dataset with rich styles of circuit diagrams as well as balanced distribution of simple and complex analog ICs. And a hybrid framework, named Image2Net, is proposed for practical conversion from circuit diagrams to netlists. The netlist edit distance (NED) is also introduced to precisely assess the difference between the converted netlists and ground truth. Based on our benchmark, Image2Net achieves 80.77% successful rate, which is 34.62%-45.19% higher than previous works. Specifically, the proposed work shows 0.116 averaged NED, which is 62.1%-69.6% lower than state-of-the-arts. Our datasets and benchmark are available at https://github.com/LAD021/ci2n_datasets.