AnalogRetriever: 아날로그 회로 검색을 위한 크로스 모달 표현 학습
AnalogRetriever: Learning Cross-Modal Representations for Analog Circuit Retrieval
April 25, 2026
저자: Yihan Wang, Lei Li, Yao Lai, Jing Wang, Yan Lu
cs.AI
초록
아날로그 회로 설계는 기존 지식 재산(IP) 재사용에 크게 의존하지만, SPICE 넷리스트, 회로도, 기능적 설명과 같은 이질적 표현 간 검색은 여전히 어려운 과제입니다. 기존 방법론은 주로 단일 양식 내 정확한 매칭에 국한되어 교차 양식 의미 관계를 포착하지 못합니다. 이러한 격차를 해소하기 위해 아날로그 회로 검색을 위한 통합 삼중 양식 검색 프레임워크인 AnalogRetriever를 제시합니다. 먼저 Masala-CHAI 기반으로 넷리스트 컴파일 성공률을 22%에서 100%로 향상시키는 2단계 수정 파이프라인을 통해 고품질 데이터셋을 구축했습니다. 이를 기반으로 AnalogRetriever는 회로도와 설명문은 시각-언어 모델로, 넷리스트는 포트 인식 관계형 그래프 합성곱 네트워크로 인코딩하여 교육적 대조 학습을 통해 세 양식을 공유 임베딩 공간에 매핑합니다. 실험 결과 AnalogRetriever는 모든 여섯 가지 교차 양식 검색 방향에서 평균 Recall@1 75.2%를 달성하여 기존 기준선을 크게 능가했습니다. 검색 증강 생성 모듈로 AnalogCoder 에이전트 프레임워크에 통합될 경우 기능적 통과율을 지속적으로 개선하고 기존에 해결되지 않았던 과제 수행이 가능했습니다. 코드와 데이터셋은 공개될 예정입니다.
English
Analog circuit design relies heavily on reusing existing intellectual property (IP), yet searching across heterogeneous representations such as SPICE netlists, schematics, and functional descriptions remains challenging. Existing methods are largely limited to exact matching within a single modality, failing to capture cross-modal semantic relationships. To bridge this gap, we present AnalogRetriever, a unified tri-modal retrieval framework for analog circuit search. We first build a high-quality dataset on top of Masala-CHAI through a two-stage repair pipeline that raises the netlist compile rate from 22\% to 100\%. Built on this foundation, AnalogRetriever encodes schematics and descriptions with a vision-language model and netlists with a port-aware relational graph convolutional network, mapping all three modalities into a shared embedding space via curriculum contrastive learning. Experiments show that AnalogRetriever achieves an average Recall@1 of 75.2\% across all six cross-modal retrieval directions, significantly outperforming existing baselines. When integrated into the AnalogCoder agentic framework as a retrieval-augmented generation module, it consistently improves functional pass rates and enables previously unsolved tasks to be completed. Our code and dataset will be released.