Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Небольшую локальную языковую модель научили итеративно подбирать параметры аналоговых усилителей по обратной связи от симулятора. В работе MIT, Analog Devices и IBM Research, где числа получили сами авторы и которая ещё не прошла рецензирование, SLIC обошла DeepSeek-V4.1-Flash Think на задачах из обучающего распределения. Такой подход позволяет держать модели техпроцесса и схемы внутри инфраструктуры компании, а не передавать их внешнему API.
Как симулятор превращает правки схемы в обучающие данные
SLIC строят в два этапа. Сначала более крупная модель проходит задачи в симуляторе, а лучший достигнутый набор характеристик становится целью для соответствующей траектории. Из записей оставляют корректные шаги, которые улучшили схему, и на них проводят обычное обучение по примерам.
Затем модель класса 4B, то есть примерно с четырьмя миллиардами параметров, дообучают с подкреплением. На каждом ходу она получает структурированное описание схемы, целевые характеристики, результаты симуляции и список допустимых действий. В ответ модель объясняет решение и предлагает относительные изменения параметров: например, увеличить или уменьшить размер компонента на один из заранее заданных шагов.
Относительные действия уменьшают зависимость от абсолютных размеров компонентов в конкретном техпроцессе. Они также ограничивают пространство ответов: модель выбирает правку из допустимой грамматики, а не генерирует произвольный текст или готовый список параметров.
Главная часть метода — управление траекторией по награде. Из одного состояния модель предлагает несколько вариантов правки, симулятор проверяет каждый, а система выбирает один результат для следующего хода. При этом все варианты участвуют в обучении: модель сравнивает действия, предложенные в одинаковых условиях, даже если продолжила работу только с одним из них.
Проверка охватывает 41 топологию усилителей, из которых шесть оставили только для оценки переноса. Обучение шло на открытой модели техпроцесса 65 нм; затем ту же модель без дополнительного дообучения проверили на пяти других узлах и на коммерческом PDK. Поэтому результаты описывают оптимизацию усилителей с заданными целями, а не проектирование произвольной аналоговой схемы с нуля.
Награда отсекает формально выгодные, но нерабочие схемы
Простая сумма характеристик даёт неверный сигнал. Неработающий усилитель может потреблять мало энергии, но это не делает его хорошим проектом. SLIC сначала проверяет физическую корректность: схема должна усиливать сигнал и сохранять допустимую частотную характеристику. Только после этого модель получает награду за мощность, полосу пропускания, усиление и запас по фазе.
Когда схема выполняет все требования, награда продолжает различать варианты по запасу относительно цели. Это помогает обучаться даже на группе успешных действий: вариант, который едва прошёл порог, получает меньше, чем схема с дополнительным запасом.
В основном режиме SLIC-Random решила 87,1% задач из обучающего распределения не более чем за восемь ходов. Результат превысил показатель DeepSeek-V4.1-Flash Think на 48,5 процентного пункта. Здесь Pass@1 означает долю задач, где один запуск агента довёл схему до всех заданных характеристик.
На незнакомых топологиях SLIC-Softmax достигла 72,6%. При работе с коммерческим TSMC PDK модель SLIC-Random решила 49,9% таких задач. Перенос оказался слабее основного результата, но он подтверждает ключевую гипотезу: модель может освоить стратегию правок на открытом техпроцессе, а затем работать локально с закрытыми моделями производства.
Планы меняются там, где уже есть проверяемый симулятор
Работа не предлагает заменить весь маршрут аналогового проектирования языковой моделью. Она показывает более узкий шаблон: небольшая модель управляет итеративным поиском, а инженерный инструмент проверяет каждое действие и возвращает числовую обратную связь.
Этот шаблон подходит задачам, где результат можно автоматически проверить и где данные нельзя отправлять во внешний сервис. Для прототипа понадобятся структурированное представление состояния, ограниченный набор действий, функция награды с проверками физической корректности и воспроизводимый симулятор. Основная инженерная работа смещается с подготовки большого корпуса готовых решений на проектирование среды и правил оценки.
SLIC также меняет выбор размера модели. Если специализированная локальная модель обучается на обратной связи от инструмента, размер универсальной LLM перестаёт быть главным критерием. Важнее, может ли команда формализовать допустимые правки, отделить рабочее состояние от формально выгодного и безопасно запускать много симуляций.
Перенос между техпроцессами пока стоит воспринимать как основание для пилота, а не как гарантию на других классах схем. Практичный следующий шаг — выбрать один тип блока с устойчивым симулятором, собрать траектории специалиста или более крупной модели и проверить, сохраняет ли локальная модель качество на закрытом PDK.
Источники
Иллюстрация: рисунок из статьи «SLIC: Reinforcement Fine-Tuning Small LMs for Multi-Turn Analog Circuit Optimization», Yan Xu, Zhengqi Gao, Ching-Yun Ko и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
