Resumen: Los avances recientes en modelos de lenguaje grande (LLM) sugieren un gran potencial para la automatización del diseño de circuitos analógicos. Sin embargo, la mayoría de los enfoques basados en LLM se basan en un ciclo de generación, diagnóstico y corrección de un solo modelo, que favorece los resúmenes concisos en lugar de conocimientos específicos de un dominio y sufre un desgaste del contexto que borra detalles técnicos críticos. Para abordar estas limitaciones, proponemos AnalogAgent, un marco de agente sin capacitación que integra un sistema multiagente (MAS) basado en LLM con memoria autoevolutiva (SEM) para la automatización del diseño de circuitos analógicos. AnalogAgent coordina un generador de código, un optimizador de diseño y un curador de conocimientos para sintetizar los comentarios de ejecución en un manual adaptativo en SEM y recuperar orientación específica para la generación posterior, lo que permite la transferencia entre tareas sin comentarios de expertos, bases de datos o bibliotecas adicionales. En los puntos de referencia establecidos, AnalogAgent logra un 92 % de Pass@1 con Gemini y un 97,4 % de Pass@1 con GPT-5. Además, con modelos compactos (por ejemplo, Qwen-8B), produce una ganancia de Pass@1 promedio de +48,8 % en todas las tareas y alcanza un 72,1 % de Pass@1 en general, lo que indica que AnalogAgent fortalece sustancialmente los modelos abiertos para la automatización del diseño de circuitos analógicos de alta calidad.
Publicado originalmente en export.arxiv.org el 25 de marzo de 2026.
Ver fuente original
