《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Advancements and Applications of Generative Artificial Intelligence in Electronic Circuit Design: A Comprehensive Survey
编辑推荐：
随着现代电子系统在性能、降低功耗、更高集成密度、缩短设计周期和增强可靠性方面提出更高要求，电子电路设计也变得更加困难。在这方面，生成式人工智能（AI）已成为一组有前景的方法，用于自动化设计活动、探索大设计空间、提高预测精度并更快地优化工作。尽管如此，当前文献仍
随着现代电子系统在性能、降低功耗、更高集成密度、缩短设计周期和增强可靠性方面提出更高要求，电子电路设计也变得更加困难。在这方面，生成式人工智能（AI）已成为一组有前景的方法，用于自动化设计活动、探索大设计空间、提高预测精度并更快地优化工作。尽管如此，当前文献仍然分散，大多数研究集中于某一类模型或特定应用领域，难以获得关于生成式AI在电路设计中应用的统一视角。为弥补这一空白，本文对生成式AI在电子电路设计中的应用进行了系统文献综述（SLR），特别关注生成对抗网络（GAN）、强化学习（RL）、变分自编码器（VAE）和图神经网络（GNN）。研究人员根据设计流程中的主要目的（如设计自动化、性能优化、异常检测和智能建模）提出了这些方法的层次化分类。此外，研究人员还通过分析优势、劣势、应用条件以及在复杂设计环境中相互补充的可能性，对所综述的方法进行了比较研究。研究结果表明，生成式AI可以在电路设计的各个阶段做出重要贡献，尤其是在数据受限且问题高度复杂的情况下。本综述为研究人员和实践者提供了一个更好的研究结构，可用于选择、分析和开发基于AI的解决方案，以实现更高效、可扩展和可靠的电子设计。
**1 引言**
电子电路设计是电气工程与计算机科学的基础领域，涉及构建和优化电路以实现特定功能。随着半导体技术发展和电子系统复杂化，对创新和高效设计技术的需求日益增长。生成式人工智能（AI）作为一种包含强化学习（RL）、变分自编码器（VAE）和生成对抗网络（GAN）等先进技术的子领域，正被越来越多地应用于电子电路设计。这些技术即使在数据不足的情况下也能促进新颖复杂电路设计的生成。当前文献缺乏对GAN、RL、VAE和图神经网络（GNN）在统一电路设计框架下的系统总结，本研究通过系统文献综述（SLR）填补这一空白，提出基于设计自动化、性能优化、异常检测和智能建模等核心功能的分类体系，并为未来研究和实际应用奠定基础。
**2 背景**
**2.1 电子电路设计介绍**
电子电路设计涉及元器件的选择和互连，需考虑电压、电流、频率响应、噪声容限和功耗等技术参数。高级技术如小信号分析、网络综合和阻抗匹配被用于确保设计满足规格。仿真工具（如SPICE）广泛用于建模和预测电路行为。
**2.2 生成式AI介绍**
生成式AI是指能够生成与输入数据相似的新数据的AI模型。核心方法包括GAN（由生成器和判别器构成，通过对抗过程生成复杂设计）、VAE（将输入编码到概率潜在空间并解码生成新数据点，适用于设计空间探索）、RL（通过试错迭代优化设计以最大化奖励函数）和GNN（天然适合电路图结构，通过节点和边捕捉结构信息）。
**2.3 生成式AI与电路设计的交叉**
初步应用展示了自动生成复杂电路拓扑、优化组件布局和更深入探索设计空间的能力。例如，GAN被用于创建新型模拟电路设计，RL被用于微调电路参数。挑战包括需要大规模高质量数据集、过拟合风险以及AI生成设计的可解释性。
**2.4 电子设计应用领域**
综述覆盖模拟与混合信号电路设计、超大规模集成电路（VLSI）、集成电路（IC）和系统级芯片（SoC）设计、射频与微波设计、电力电子、硬件安全、半导体器件建模以及面向可靠性的异常检测和故障诊断等领域。
**3 相关综述**
已有综述聚焦于特定子领域（如模拟IC尺寸、SoC设计、VLSI自动化），或仅研究单一模型族（如GAN、RL或VAE）。缺乏对GAN、RL、VAE和GNN在电路设计中的系统比较和分类。本研究提出正式且实用的分类方案，根据生成模型类型、电路设计问题、数据表示和主要评价指标（精度、可扩展性、时间效率、设计自动化能力）对文献进行分类。
**4 系统文献综述**
**4.1 研究问题形式化**
提出四个研究问题：（RQ1）GAN、GNN、VAE和RL如何应用于设计、优化和预测任务？（RQ2）研究者采用哪些技术？（RQ3）统计结论是什么？（RQ4）未来研究方向是什么？
**4.2 文章选择流程**
基于四个步骤：初始关键词搜索（967条记录）、根据纳入排除标准筛选（去除重复、不相关、非英文等，剩411篇）、标题和摘要筛检（保留与目标方法和电路设计任务相关的71篇）、全文评估（最终纳入30篇详细分析）。主要出版源为IEEE、Elsevier和Springer。
**4.3 纳入与排除标准**
纳入标准：覆盖至少一种目标AI方法（GAN、GNN、RL、VAE）且涉及电子电路设计或EDA、电路优化、建模、硬件安全等领域。排除标准：重复、不相关、非英文、仅包含编辑材料或摘要、无实质性方法或应用贡献。
**4.4 筛选与资格逻辑**
通过逐步筛选从宽泛搜索空间缩小到最终语料库，确保代表性且可进行对比分析。
**5 生成式AI在电子电路设计中的应用**
提出以电路设计为导向的分类体系（图2），将方法按设计自动化、性能优化、异常检测和智能建模分类。
**5.1 GAN模型**
GAN用于逆设计（如阻抗匹配电路、介质谐振器天线、微带可调低通滤波器）、设计空间探索（如GANDSE框架加速神经网络加速器设计）、数据增强提升机器学习模型精度（如针对TSMC 180nm和22nm CMOS工艺的模拟电路和数字单元数据，错误率降低超50%）、以及高频率磁性元件铁损预测等。优点包括快速、准确、资源高效，但需要大型高质量数据集和复杂训练条件。
**5.2 GNN模型**
GNN用于预测转换器性能、硬件木马（HT）检测（GNN4HT框架在Trust-Hub数据集上真阳性率（TPR）达94.28%）、微流控混合器浓度预测、电路表示学习（FGNN2框架结合图拓扑和逻辑功能）、以及敏感晶体管分类。GNN擅长处理图结构数据，能捕捉节点和边的连接关系，适合电路性能预测、布局规则检查、可靠性分析等。但需要特殊数据表示和图结构设计。
**5.3 RL模型**
RL应用于逻辑综合（ESE框架，在FPGA和ASIC上分别提升LUT-层积和脚本运行时间超18.3%和12.4%）、芯片宏放置（分层强化学习HRLP）、高带宽存储器（HBM）中硅通孔（TSV）阵列设计（眼图开启度（EO）提升18.2%）、数字微流控生物芯片上液滴路由、分数阶最优控制（如混沌磁场机电换能器（MFET）系统）、以及芯片组多核系统电源传输系统（PDS）设计（基于深度Q网络（DQN）的在线控制策略最小化能量-延迟积（EDP））。RL能高效处理复杂优化问题，但训练数据需求大且配置调优困难。
**5.4 VAE模型**
VAE用于超材料结构设计（条件VAE预测几何参数和吸收谱）、FPGA上全随机VAE推理加速（低延迟硬件流水线，比CPU快82倍，比GPU快208倍）、电气机械故障分类（改进成本函数使聚类一致）、过程监控（变分判别堆叠自编码器VDSAE）、低频声学吸收器逆设计、脑电图（EEG）数据离散化（双离散VAE D2-VAE）、半导体器件建模（自增强策略减少对TCAD依赖）、模拟混合信号（AMS）电路多阶段回归建模（结合VAE处理数据不足问题）、电动汽车电池包异常检测（门控循环单元VAE GRU-VAE）。VAE擅长学习结构化潜在表示，适用于维度降低、设计空间探索和小型替代模型。
**6 结果与分析**
**6.1 文献概述与统计分析**
关注焦点包括精度（最受关注）、时间效率、可扩展性、检测与分类、设计能力（最少关注）。主要缺点包括数据质量和模型复杂度（最严重）、计算需求、专用设备需求、应用特定限制。方法分布：RL使用最频繁（14次），VAE（9次），GAN（8次），GNN（6次）。仿真平台包括通用仿真平台（最多）、高频电磁仿真、超材料与FPGA仿真、流体热耦合仿真。数据集类型：电路设计与性能数据（最多）、合成增强数据、专用测量数据、时间序列与多变量数据。数据集大小：小数据集占59.5%，未指定占24.3%，中等占10.8%，大数据集仅5.4%。应用领域：电路与VLSI设计最多，其次是高频射频、EDA、电力电子、故障检测等。展示了应用领域相关性和网络图。仿真工具使用：Cadence Virtuoso（22%）、MATLAB/Simulink（18%）、Python（11%）、HSPICE（14%）、ANSYS（10%）、HFSS（9%）、COMSOL Multiphysics和LTSpice等。提供了选择生成式AI方法的流程图和关键参数决策树。比较了可解释AI（XAI）方法（如SHAP、LIME、注意力机制、策略解释）的决策矩阵。展示了研究者选择AI技术的旅程图。
**6.2 基准对比**
比较四种方法的预测精度、时间效率、可扩展性和成本效率。RL在时间效率（92%）和可扩展性（88%）上最高；GNN在精度（88%）和可扩展性（82%）上表现好；GAN在精度（85%）和时间效率（75%）上成功但可扩展性和成本效率有限；VAE平衡且灵活，精度高（87%）、时间效率中等（80%）、成本效率（68%）。
**6.3 跨领域可迁移性**
评估GAN、GNN、RL、VAE在射频（RF）、光子电路、微机电系统（MEMS）领域的可迁移性。GNN结构最灵活；RL在实时控制领域表现好但需大量重训练；GAN依赖数据分布相似性；VAE在中等数据可用性领域适应性强。
**6.4 混合与集成策略**
探讨GAN→GNN、VAE→RL、GAN+RL、GNN?RL、VAE+GAN等混合架构，以及预测器集成。这些混合策略能提升精度、节省训练时间、增强可扩展性。常见风险包括训练稳定性、替代模型漂移和奖励结构设计。
**6.5 真实世界约束下的鲁棒性与可靠性**
评估在噪声、缺失数据、工艺变化下的表现。GNN对不完整连接数据鲁棒；RL通过奖励塑形可处理随机环境；GAN能在噪声区域生成增强数据集但分布偏移时可能不稳定；VAE在数据缺失时重构能力强但可能丢失高频特征。混合方法（如GAN→GNN、VAE→RL）退化率最低。
**6.6 能量与计算效率分析**
比较训练FLOPs、推理延迟、每推理能量（mJ）和内存占用。VAE推理效率最高；GNN因图消息传递计算较慢；RL训练成本最高但推理可瞬时；GAN训练资源需求大但推理成本适中。混合方法通常沿袭较重组件的成本。
**6.7 工作启示**
生成式AI在EDA中的影响虽初步但显著，可辅助设计空间探索和参数调优。可解释AI（XAI）对于透明决策和增强信任至关重要。未来需开发面向电路设计的多目标权衡、布局依赖效应和高度非线性设备行为的可解释性框架。
**6.8 大语言模型在电路设计中的重要性**
大语言模型（LLM）（如GPT-4）在电路设计中的潜力包括辅助文档生成、高层次推理、交互式问题解决、硬件描述语言（HDL）和寄存器传输级（RTL）代码生成。LLM在代码中心任务上表现突出，但存在逻辑幻觉、长依赖处理差、综合性与可合成性等问题。LLM作为补充而非替代现有生成式AI方法，特别在数字前端设计自动化和人机协作方面有重要价值。
**7 未来工作与开放问题**
**7.1 未来方向**
（1）混合生成模型用于多目标优化；（2）可解释AI（XAI）用于电路设计与优化；（3）跨领域和设计环境的迁移学习；（4）稀疏数据环境下的自监督学习；（5）基于RL和GAN的实时自适应设计；（6）物理信息神经网络（PINN）用于电路建模；（7）基于云平台的分布式设计自动化；（8）高效可扩展的大规模电路设计AI模型；（9）面向3D IC设计的层次化生成模型。
**7.2 关键挑战**
（1）数据稀缺与高质量数据集需求；（2）高维设计空间的可扩展性；（3）GAN的训练不稳定与模式崩溃；（4）处理工艺变化和PVT（过程-电压-温度）拐角；（5）将领域知识整合到AI模型；（6）训练高级模型的计算资源需求；（7）跨工艺技术的泛化问题；（8）复杂设计空间中的同时多目标优化；（9）AI生成设计的验证与确认。
**8 结论与局限性**
本综述提出了GAN、GNN、RL和VAE的结构化分类与比较。生成式AI在电路设计中具有变革潜力，但数据可用性、模型复杂性、可扩展性和行业适用性仍是问题。混合与集成模型（如VAE→RL、GAN+RL、GNN?RL）有希望克服单一模型局限。主要局限性包括语言偏见（仅英文文献）、限于学术论文可能未涵盖工业创新、以及公开数据与基准可能无法充分反映实际场景。未来研究应扩大数据范围、考虑非英语文献并与工业界合作。
