CircuitLM: A Multi-Agent LLM-Aided Design Framework for Generating Circuit Schematics from Natural Language Prompts

📄 arXiv: 2601.04505v1 📥 PDF

作者: Khandakar Shakib Al Hasan, Syed Rifat Raiyan, Hasin Mahtab Alvee, Wahid Sadik

分类: cs.AI, cs.CL, eess.SY

发布日期: 2026-01-08

备注: Under review, 13 pages, 11 figures, 2 tables

💡 一句话要点

CircuitLM：多智能体LLM辅助电路设计框架，从自然语言生成电路原理图

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

关键词: 电路设计 大型语言模型 多智能体系统 自然语言处理 嵌入式系统 电路原理图生成 电子设计自动化

📋 核心要点

  1. 现有方法难以从自然语言描述生成精确电路图，LLM常出现细节幻觉、违反电气约束和输出非机器可读内容。
  2. CircuitLM利用多智能体LLM流程，将自然语言提示转化为结构化CircuitJSON原理图，并结合组件知识库和电气约束验证。
  3. 实验表明，CircuitLM在微控制器设计中表现出高保真度，并通过DMCV框架验证了结构和电气有效性。

📝 摘要（中文）

本文提出CircuitLM，一种新颖的多智能体LLM辅助电路设计流程，通过五个连续阶段将用户提示转换为结构化的、视觉上可解释的CircuitJSON原理图：(i) 基于LLM的组件识别，(ii) 规范引脚输出检索，(iii) 电子专家智能体的链式思考推理，(iv) JSON原理图综合，以及 (v) 力导向SVG可视化。该流程以一个精选的、由嵌入驱动的组件知识库为基础。为了弥补LLM容易违反电气约束的缺陷，CircuitLM通过将生成过程锚定在一个经过验证且可动态扩展的组件数据库（初始包含50个组件）来解决此问题。为了确保安全性，本文引入了一种混合评估框架，即双重指标电路验证（DMCV），该框架经过人工专家评估验证，在以微控制器为中心的设计中实现了高保真度。在100个不同的嵌入式系统提示上，对六个LLM进行了系统评估，并引入DMCV来评估结构和电气有效性。这项工作将自然语言输入转化为可部署的硬件设计，使非专业人员能够进行可靠的电路原型设计。代码和数据将在接收后公开。

🔬 方法详解

问题定义：现有方法难以从自然语言生成精确的电路原理图，主要痛点在于大型语言模型（LLM）在处理电路设计的细节时容易产生幻觉，导致生成的电路图不准确、违反电气约束，并且输出格式不易于机器读取和进一步处理。这使得非专业人员难以利用自然语言进行电路设计和原型开发。

核心思路：CircuitLM的核心思路是利用多智能体系统，将复杂的电路设计任务分解为多个阶段，并利用LLM在不同阶段的优势。通过引入组件知识库和电气约束验证机制，来弥补LLM在细节处理和电气规则方面的不足，从而生成更准确、可靠的电路原理图。

技术框架：CircuitLM包含五个主要阶段：(1) 基于LLM的组件识别：利用LLM从自然语言提示中识别所需的电路组件。(2) 规范引脚输出检索：从组件知识库中检索识别出的组件的规范引脚信息。(3) 电子专家智能体的链式思考推理：利用专门设计的电子专家智能体进行链式思考，推理电路连接方式和参数。(4) JSON原理图综合：将推理结果综合成结构化的CircuitJSON格式的电路原理图。(5) 力导向SVG可视化：将JSON格式的电路原理图转换为可视化的SVG格式。此外，还包含一个组件知识库和一个双重指标电路验证（DMCV）模块。

关键创新：CircuitLM的关键创新在于其多智能体架构和混合评估框架。多智能体架构将复杂的电路设计任务分解为多个可控的阶段，并利用LLM在不同阶段的优势。DMCV框架则通过结合结构和电气验证，确保生成的电路原理图的有效性和可靠性。此外，该框架还引入了可动态扩展的组件数据库，增强了系统的适应性。

关键设计：组件知识库的设计是关键。它包含50个常用组件，并使用嵌入技术来加速组件检索。DMCV框架包含两个指标：结构有效性指标和电气有效性指标。结构有效性指标评估电路连接的正确性，电气有效性指标评估电路是否满足电气约束。具体参数设置和损失函数等细节未在摘要中明确说明，属于未知信息。

📊 实验亮点

CircuitLM在100个不同的嵌入式系统提示上进行了评估，并与六个LLM进行了比较。实验结果表明，CircuitLM在微控制器为中心的设计中实现了高保真度。通过引入DMCV，系统能够有效地评估电路的结构和电气有效性，从而生成更可靠的电路原理图。具体的性能数据和提升幅度未在摘要中明确说明，属于未知信息。

🎯 应用场景

CircuitLM可应用于电子设计自动化（EDA）领域，降低电路设计的门槛，使非专业人员也能快速进行电路原型设计。它还可以用于教育领域，帮助学生更好地理解电路原理和设计流程。此外，该技术还可能应用于智能硬件开发、物联网设备设计等领域，加速产品开发周期。

📄 摘要（原文）

Generating accurate circuit schematics from high-level natural language descriptions remains a persistent challenge in electronics design, as large language models (LLMs) frequently hallucinate in granular details, violate electrical constraints, and produce non-machine-readable outputs. We present CircuitLM, a novel multi-agent LLM-aided circuit design pipeline that translates user prompts into structured, visually interpretable CircuitJSON schematics through five sequential stages: (i) LLM-based component identification, (ii) canonical pinout retrieval, (iii) chain-of-thought reasoning by an electronics expert agent, (iv) JSON schematic synthesis, and (v) force-directed SVG visualization. Anchored by a curated, embedding-powered component knowledge base. While LLMs often violate electrical constraints, CircuitLM bridges this gap by grounding generation in a verified and dynamically extensible component database, initially comprising 50 components. To ensure safety, we incorporate a hybrid evaluation framework, namely Dual-Metric Circuit Validation (DMCV), validated against human-expert assessments, which achieves high fidelity in microcontroller-centric designs. We evaluate the system on 100 diverse embedded-systems prompts across six LLMs and introduce DMCV to assess both structural and electrical validity. This work bridges natural language input to deployable hardware designs, enabling reliable circuit prototyping by non-experts. Our code and data will be made public upon acceptance.