FALCON: An ML Framework for Fully Automated Layout-Constrained Analog Circuit Design

📄 arXiv: 2505.21923v2 📥 PDF

作者: Asal Mehradfar, Xuzhe Zhao, Yilun Huang, Emir Ceyani, Yankai Yang, Shihao Han, Hamidreza Aghasi, Salman Avestimehr

分类: cs.LG, cs.AI, cs.AR, cs.CE

发布日期: 2025-05-28 (更新: 2025-10-27)

备注: Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

💡 一句话要点

提出FALCON框架以实现全自动化的模拟电路设计

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

关键词: 模拟电路设计 机器学习 图神经网络 自动化设计 性能预测 布局优化 电路拓扑 深度学习

📋 核心要点

  1. 现有的模拟电路设计方法复杂且多阶段，难以实现完全自动化，尤其在拓扑选择和布局优化方面存在挑战。
  2. FALCON框架通过性能驱动的分类器选择电路拓扑，并利用图神经网络进行参数推断，结合可微分布局成本进行优化。
  3. 在大规模数据集上，FALCON实现了超过99%的拓扑推断准确率和小于10%的性能预测误差，展示了其高效性和实用性。

📝 摘要（中文）

设计模拟电路从性能规格出发是一个复杂的多阶段过程，包括拓扑选择、参数推断和布局可行性。本文介绍了FALCON，一个统一的机器学习框架，能够通过拓扑选择和布局约束优化，实现完全自动化的规格驱动模拟电路合成。FALCON首先使用性能驱动分类器选择合适的电路拓扑，然后利用训练好的边缘中心图神经网络，将电路拓扑和参数映射到性能，从而实现基于梯度的参数推断。推断过程受到可微分布局成本的指导，该成本源自捕捉寄生和频率依赖效应的解析方程，并受到设计规则的约束。FALCON在一个包含100万模拟毫米波电路的大规模自定义数据集上进行训练和评估，结果显示其在拓扑推断中准确率超过99%，性能预测的相对误差小于10%，并且每个实例的布局感知设计在1秒内完成。这些结果使FALCON成为端到端模拟电路设计自动化的实用且可扩展的基础模型。

🔬 方法详解

问题定义：本文旨在解决模拟电路设计中的自动化问题，现有方法在拓扑选择和布局优化上存在复杂性和效率低下的痛点。

核心思路：FALCON通过结合性能驱动的分类器和图神经网络，自动选择电路拓扑并进行参数推断，从而实现高效的电路设计。

技术框架：FALCON的整体架构包括两个主要模块：首先是拓扑选择模块，使用分类器根据性能规格选择电路拓扑；其次是参数推断模块，利用图神经网络进行性能映射和优化。

关键创新：FALCON的核心创新在于结合了可微分布局成本与图神经网络，使得电路设计不仅考虑性能，还考虑布局的可行性，这在现有方法中是较为少见的。

关键设计：在设计中，FALCON使用了边缘中心的图神经网络结构，训练过程中采用了特定的损失函数来优化性能预测，同时布局约束通过解析方程进行建模。

📊 实验亮点

FALCON在实验中展现出超过99%的拓扑推断准确率和小于10%的性能预测误差，且每个实例的设计时间不超过1秒。这些结果表明FALCON在电路设计自动化方面的显著提升，具有较强的实用性和效率。

🎯 应用场景

FALCON框架在模拟电路设计领域具有广泛的应用潜力，能够显著提高电路设计的自动化程度和效率。其实际价值体现在能够快速生成符合性能要求的电路布局，适用于通信、消费电子等多个行业。未来，FALCON有望扩展到更复杂的电路设计任务，推动电路设计的智能化进程。

📄 摘要（原文）

Designing analog circuits from performance specifications is a complex, multi-stage process encompassing topology selection, parameter inference, and layout feasibility. We introduce FALCON, a unified machine learning framework that enables fully automated, specification-driven analog circuit synthesis through topology selection and layout-constrained optimization. Given a target performance, FALCON first selects an appropriate circuit topology using a performance-driven classifier guided by human design heuristics. Next, it employs a custom, edge-centric graph neural network trained to map circuit topology and parameters to performance, enabling gradient-based parameter inference through the learned forward model. This inference is guided by a differentiable layout cost, derived from analytical equations capturing parasitic and frequency-dependent effects, and constrained by design rules. We train and evaluate FALCON on a large-scale custom dataset of 1M analog mm-wave circuits, generated and simulated using Cadence Spectre across 20 expert-designed topologies. Through this evaluation, FALCON demonstrates >99% accuracy in topology inference, <10% relative error in performance prediction, and efficient layout-aware design that completes in under 1 second per instance. Together, these results position FALCON as a practical and extensible foundation model for end-to-end analog circuit design automation.