Simulation-Aware In-Context Policy Improvement for LLM-Aided Analog Layout Refinement

📄 arXiv: 2608.13767v1 📥 PDF

作者: Bingyang Liu, Ziming Wei, Xiaohan Gao, David Z. Pan

分类: cs.AI, cs.RO

发布日期: 2026-08-13

备注: 7 pages, 3 figures. To appear in the Proceedings of the 2026 International Conference on LLM-Aided Design (ICLAD 2026)

💡 一句话要点

提出基于仿真的LLM多智能体框架以优化模拟电路布局

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

关键词: 模拟电路设计 布局优化 贝叶斯优化 大语言模型 多智能体系统 仿真驱动

📋 核心要点

  1. 现有的模拟电路布局设计方法依赖于专家手动调优，效率低且成本高。
  2. 本文提出了一种仿真感知的LLM多智能体框架，通过迭代更新布局优化参数来提升设计效率。
  3. 实验结果显示，该方法在仅进行数十次后布局仿真的情况下，显著提升了布局性能。

📝 摘要（中文）

模拟集成电路布局设计仍然是一个劳动密集型的迭代过程，主要依赖于仿真驱动的优化。尽管端到端布局生成器加速了初步布局和布线，但仍需专家手动调整布局优化参数，并进行多次后布局仿真。虽然贝叶斯优化在模拟电路设计中被广泛应用，但在布局层面通常需要数百到数千次评估，成本高昂且不切实际。本文提出了一种仿真感知的LLM多智能体框架，通过在紧凑的结构化布局表示上进行行为-观察-反思循环，迭代更新由模拟电路布局生成器暴露的布局优化参数。实验表明，仅需数十次后布局仿真，我们的方法在后布局性能上优于生成器内置启发式和基于贝叶斯优化的调优方法。

🔬 方法详解

问题定义：本文旨在解决模拟电路布局设计中手动调优效率低下的问题。现有方法依赖于大量的后布局仿真，导致成本高昂且不切实际。

核心思路：提出了一种基于仿真的LLM多智能体框架，通过行为-观察-反思循环，利用紧凑的结构化布局表示来迭代优化布局参数，从而提高样本效率。

技术框架：整体架构包括多个模块：布局生成器、LLM多智能体系统和反馈机制。布局生成器负责初步布局，LLM系统则在获取反馈后调整优化参数。

关键创新：最重要的创新点在于将LLM与仿真驱动的布局优化相结合，突破了传统方法对几何布局上下文和设计特定启发式的限制。

关键设计：在参数设置上，采用紧凑的结构化布局表示，损失函数设计为优化后布局性能，网络结构则基于现有的LLM架构进行调整，以适应布局优化任务。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的方法在仅进行数十次后布局仿真的情况下，后布局性能较生成器内置启发式和基于贝叶斯优化的调优方法有显著提升，具体提升幅度未知。

🎯 应用场景

该研究的潜在应用领域包括模拟电路设计、集成电路布局优化等。通过提高布局设计的效率和准确性，能够显著降低设计成本和时间，推动电子设计自动化的发展，具有重要的实际价值和未来影响。

📄 摘要（原文）

Analog IC layout design remains a labor-intensive iterative process dominated by simulation-driven refinement. Although end-to-end layout generators accelerate initial placement and routing, they still require experts to manually tune layout optimization parameters with repeated post-layout simulations for stringent design specifications. While Bayesian Optimization (BO) is widely adopted for parameter tuning in analog IC design, at the layout level it typically requires hundreds to thousands of evaluations, each involving costly parasitic extraction and post-layout simulation, which makes it impractical. Recently, Large Language Models (LLMs) have demonstrated potential in improving the sample efficiency of such simulation-driven tuning. However, their restricted access to geometric layout context and design-specific heuristics limits their ability to manipulate the layout optimization process. In this paper, we propose a simulation-aware LLM multi-agent framework that performs in-context policy improvement (ICPI) by iteratively updating layout optimization parameters exposed by an analog layout generator through an act-observe-reflect loop on compact structured layout representations. Experiments on real-world analog circuits show that, with only tens of post-layout simulations, our approach improves post-layout performance over the generator's built-in heuristics and BO-based tuning method.