AI Agents for Photonic Integrated Circuit Design Automation

📄 arXiv: 2508.14123v1 📥 PDF

作者: Ankita Sharma, YuQi Fu, Vahid Ansari, Rishabh Iyer, Fiona Kuang, Kashish Mistry, Raisa Islam Aishy, Sara Ahmad, Joaquin Matres, Dirk R. Englund, Joyce K. S. Poon

分类: cs.AR, cs.AI, physics.app-ph, physics.optics

发布日期: 2025-08-18

💡 一句话要点

提出PhIDO框架以实现光子集成电路设计自动化

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

关键词: 光子集成电路 设计自动化 自然语言处理 多智能体系统 大型语言模型 布局掩模文件 机器人自动化

📋 核心要点

  1. 现有光子集成电路设计方法效率低下，难以快速响应复杂的设计请求。
  2. 论文提出的PhIDO框架利用多智能体系统，将自然语言设计请求转化为具体的布局文件，提升设计自动化水平。
  3. 实验结果显示，单设备设计成功率达到91%，而对于小型设计，部分模型的成功率可达57%，显著提高了设计效率。

📝 摘要（中文）

本文提出了光子智能设计与优化（PhIDO）框架，该框架能够将自然语言的光子集成电路（PIC）设计请求转换为布局掩模文件。通过对102个设计描述的测试，比较了7种推理大型语言模型在PhIDO中的表现。单设备设计的成功率高达91%。对于组件数量不超过15的设计查询，o1、Gemini-2.5-pro和Claude Opus 4的端到端通过率约为57%，其中Gemini-2.5-pro在输出令牌数量和成本上表现最佳。未来的工作将集中在标准化知识表示、扩展数据集、增强验证和机器人自动化等方面。

🔬 方法详解

问题定义：本文旨在解决光子集成电路设计中的自动化问题，现有方法在处理复杂设计请求时效率低下，难以满足快速响应的需求。

核心思路：PhIDO框架通过多智能体系统，将自然语言描述转化为具体的设计文件，利用大型语言模型进行推理和生成，旨在提高设计的自动化和准确性。

技术框架：PhIDO框架包括多个模块，首先接收自然语言输入，然后通过推理模型进行解析，最后生成布局掩模文件。整个流程涉及设计请求的理解、模型推理和文件生成三个主要阶段。

关键创新：最重要的创新在于将自然语言处理与光子集成电路设计结合，利用大型语言模型进行高效推理，显著提升了设计的自动化水平。与传统方法相比，PhIDO框架能够更好地处理复杂的设计请求。

关键设计：在模型选择上，论文比较了7种大型语言模型，重点关注输出令牌数量和成本，选择了性能最佳的模型进行设计生成。

📊 实验亮点

实验结果显示，单设备设计的成功率高达91%。在组件数量不超过15的设计查询中，o1、Gemini-2.5-pro和Claude Opus 4的端到端通过率约为57%。其中，Gemini-2.5-pro在输出令牌数量和成本方面表现最佳，展示了其在设计自动化中的优势。

🎯 应用场景

该研究的潜在应用领域包括光子集成电路的设计与制造，尤其是在快速原型开发和定制化设计方面。PhIDO框架的实现将大幅提升设计效率，降低人力成本，推动光子技术在通信、传感和计算等领域的应用。未来，随着技术的成熟，可能会实现更广泛的自动化设计流程。

📄 摘要（原文）

We present Photonics Intelligent Design and Optimization (PhIDO), a multi-agent framework that converts natural-language photonic integrated circuit (PIC) design requests into layout mask files. We compare 7 reasoning large language models for PhIDO using a testbench of 102 design descriptions that ranged from single devices to 112-component PICs. The success rate for single-device designs was up to 91%. For design queries with less than or equal to 15 components, o1, Gemini-2.5-pro, and Claude Opus 4 achieved the highest end-to-end pass@5 success rates of approximately 57%, with Gemini-2.5-pro requiring the fewest output tokens and lowest cost. The next steps toward autonomous PIC development include standardized knowledge representations, expanded datasets, extended verification, and robotic automation.