AnalogRetriever: Aprendendo Representações Multimodais para Recuperação de Circuitos Analógicos

Resumo

O projeto de circuitos analógicos depende fortemente da reutilização de propriedade intelectual (IP) existente, no entanto, a busca através de representações heterogêneas, como netlists SPICE, esquemáticos e descrições funcionais, permanece um desafio. Os métodos existentes estão amplamente limitados à correspondência exata dentro de uma única modalidade, falhando em capturar relações semânticas cruzadas. Para preencher esta lacuna, apresentamos o AnalogRetriever, uma estrutura de recuperação trimodal unificada para busca de circuitos analógicos. Primeiro, construímos um conjunto de dados de alta qualidade sobre o Masala-CHAI por meio de um pipeline de reparo em dois estágios que eleva a taxa de compilação de netlists de 22\% para 100\%. Com base nessa fundação, o AnalogRetriever codifica esquemáticos e descrições com um modelo de visão e linguagem, e netlists com uma rede convolucional gráfica relacional consciente de portas, mapeando todas as três modalidades em um espaço de incorporação compartilhado via aprendizado contrastivo curricular. Experimentos mostram que o AnalogRetriever alcança uma Revocação@1 média de 75,2\% em todas as seis direções de recuperação cruzada, superando significativamente as linhas de base existentes. Quando integrado à estrutura agentiva AnalogCoder como um módulo de geração aumentada por recuperação, ele melhora consistentemente as taxas de aprovação funcional e permite que tarefas anteriormente não resolvidas sejam concluídas. Nosso código e conjunto de dados serão liberados.

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.