11.91 纳瓦、248.66 赫兹、29.19 微伏有效值的输入参考噪声、0.228 平方毫米、四阶、130 纳米。这是生物电位采集前端里的一颗低通滤波器,10 月 19 日挂上 arXiv,作者来自加拿大麦克马斯特大学的 MacAnalog 研究组,投稿明年的 IEEE ISCAS。
数字本身不算惊人。同类的亚阈值滤波器,文献里能翻出一堆,功耗更低的也有。这篇论文让人停下来看的地方在别处:它的电路结构不是哪位工程师在纸上推出来的,是一个智能体在 ngspice 的仿真结果里一次次试错试出来的。两个双二阶(biquad)单元共用一条 2.65 纳安的偏置支路,靠一个 p 型共栅桥把后级的偏置电流引到前级输出上。教科书里没有这个结构,论文也把它称作一种新的电流复用架构。
这句话如果成立,模拟设计自动化的边界就被挪动了一格。可要是只读摘要里那句“噪声比参考设计低 41.6%”,你不会知道这一格挪了多远,也不会知道它没挪到哪。
先把三件事拆开
聊 AI 做模拟电路,最容易糊涂的地方是把三件不同的事说成一件。
第一层是拓扑:用什么结构,一阶还是四阶、源跟随器还是翻转电压跟随器、偏置从上面灌还是下面抽。这一层决定电路的上限,也最依赖人的直觉。
第二层是尺寸:结构定了,每个管子多宽多长、电流给多少。这是数值搜索的老战场,贝叶斯优化在这一层做了十几年。ICCAD 2024 上 UCSB 那篇 ADO-LLM 是代表,用大模型生成可行的设计点去喂贝叶斯优化。但它的前提写得很清楚:拓扑给定。
第三层是版图:怎么摆、怎么连、寄生怎么控。开源侧有 MAGICAL、ALIGN 这类自动布局布线内核;LLM 这边最近的活法是让智能体去调内核暴露出来的权重和约束参数,内核算法一行没改。
三层摆开,这篇论文的位置就清楚了。它声称打通三层,而其中最不可替代的一步在第一层。论文自己在讨论部分也点了这一刀,说 ADO-LLM 那类工作是固定拓扑下的尺寸优化器,“无法发现本文的 A/B 拓扑增益”。
这不是学术洁癖。尺寸优化做得好,是同一个电路能更省电;拓扑能搜出来,是可能出现一个原本不存在的电路。前者是效率问题,后者是知识生产问题。
这个滤波器难在哪
四阶 250 赫兹低通,听上去是本科课程设计。但噪声要低于 40 微伏、核心功耗低于 50 纳瓦,事情就变了。
麻烦首先在噪声和功耗的对抗。管子得进弱反型区,电流才可能压到纳安级;而在热噪声主导的频段,亚阈值下输入参考噪声的功率谱密度大致与漏极电流成反比,积分噪声又大致按 ξkT/C 走。压噪声,要么加大电容(面积爆炸),要么加大电流(功耗爆炸)。论文里 53.6% 的版图面积给了 MIM 电容,就是这笔账的收据。
第二笔账是阈值电压。亚阈值电流对阈值电压是指数敏感的,工艺角一飘,截止频率就跟着飘。论文记了一次很典型的翻车:最初那版堆叠设计,22 个工艺角里只有 1 个能过。后来换成三器件 replica 偏置,让支路电流由镜像比而不是阈值电压决定,ss/ff/sf/fs 四种角下截止频率的最大最小比,从 3 到 38 倍压到了 1.01 到 1.02 倍。
第三笔账最微妙。这类电路的节点阻抗在数十兆欧量级,一点寄生就能把频响推开。前版图仿真里那点漂亮裕量,到版图之后可能一文不值。
一条支路,两个双二阶
滤波器是全差分结构。每个半电路是一条从电源到地的堆叠,串着两个双二阶单元:A 单元长得像超级源跟随器(super-source follower),B 单元长得像翻转电压跟随器(flipped voltage follower)。15 个晶体管全在弱反型区。IHP 的 SG13G2 工艺没有隔离 NMOS,两个输入跟随器只能用 PMOS,衬底接源极。
关键在那个 p 型共栅桥。它把 B 单元的偏置电流引到 A 单元的输出端,于是每半电路只用一条 2.65 纳安的支路,同时把两个双二阶都偏置了。原来要 8 个偏置器件的地方,现在 2 个。器件一少,超额噪声因子 ξ 就降下来。这也是为什么功耗降了 66%、绘制电容减了 58% 之后,输入参考噪声只多了 1.31 微伏。
代价是耦合。电流一复用,两个本来隔离的双二阶就不独立了,传递函数的分母里多出 κs² 这一项。这个耦合项把两个单元的 Q 值从 2.10 和 0.46 挪到了 0.543 和 1.307。
有意思的正是这个落点。巴特沃斯响应的两个极点 Q 值是 0.541 和 1.307。耦合带来的副作用,恰好把一个原本不像巴特沃斯的滤波器推回了巴特沃斯。
在模拟设计里,这种“副作用刚好有用”的事通常叫运气,写进脚注,然后被忘掉。但这一次它是被搜出来的。智能体不知道什么叫巴特沃斯,它只知道仿真报告里每条规格是 pass 还是 fail,然后朝那个方向改。
谁不能改谁的设计
架构上有九个角色。真正决定这套东西能不能被信任的,是三个“不许”。
研究智能体(researcher agent)在顶层,拿着规格派活,负责拓扑综合。论文分析者(paper analyst)把论文拆成可检验的假设:这个机制该起什么作用、对噪声和功耗该有什么预测、用什么 A/B 测试能证伪它。变体运行者(variant runner)并行仿真候选网表,每一批都带上参考设计做对照。签核验证者(sign-off verifier)负责独立复核,而且它不看设计者的结果,自己重新生成网表、重跑仿真。
第一个不许:设计者和验证者是两个智能体。第二个不许:记录审计者没有写权限,工具集固定。第三个不许:版图审查者不得审查自己写的生成器。版图设计师写的是参数化 GDSFactory 代码,审查者负责重建 GDS、重跑 DRC/LVS/提取、核对寄生预算。
记忆分了四层。工作记忆最多 20 kB,每次出现新失败,就以失败症状为查询重新组装;情节记忆是运行日志,一次仿真一行;语义记忆存教训,每条绑定证据,被证伪时取代而不是删除;程序记忆放测量代码和检查项。四层都不许超过上下文窗口——记忆一长,检索就失焦。
还有一处细节值得单独拎出来。寄生预算智能体把前版图剩下的裕量换算成每条网络的寄生存量预算,版图阶段就按这个预算验收。结果 A 单元那条垂直走线从 Metal2 换成了 Metal5,DRC 早就过了,换线的理由是 Metal2 的电容把预算吃掉了。
这套记忆机制要解决的是同一类问题:知识得能被检索、复用、追责。企业里让智能体进研发流程,卡住的常常也是这一层——模型之外,规范、历史问题和失败记录得先变成可查的结构。
三个被自己抓住的错
如果只保留论文里的一段,值得留的是失败模式那部分。
第一个错是量错。智能体写相位滞后测量时有个缺陷,把实际失败的 320.7 度报成了通过的 368.6 度。修好之后,当时最强的候选直接被淘汰。
这件事的分量比 41.6% 重得多。一个把失败当成功的 bug,藏在一个看起来在正常工作的验证脚本里,这是所有自动化流程最怕的东西。它不是被人类的代码审查抓到的,是被流程自己的复现要求抓到的:签核要重跑一遍,跑出来的数和上报的数对不上。
第二个错更笨,器件换错了。一个 PMOS 被换成高压器件,默认的网表等价检查看类型和极性,它过了;严格模式会同时匹配器件模型,它没过。
第三个错藏在生成器里。33 个参数各取双极限、共 66 个构建,DRC 全过。加上 LVS 之后,抓出 2 个短路网络。另有一次,镜像检查抓到一个 5 纳米的不对称接触;还有一次,LVS 抓出电容器阵列极板丢失。
更隐蔽的一处是符号分析报出来的:45 个 PVT 角里,有 7 个角出现了极点对变成实数对的情况。单因子扫描扫不到这个,手工推的双二阶模型也没预测到。这条是人在签核之后要求补做符号分析才翻出来的,论文把它记成四项人工决策之一。
代价账本
论文没有藏账。这点值得说清楚,因为大部分“AI 做设计”的稿子都在藏。
45 个 PVT 全组合角里,只有 16 个满足全部规格。面积 0.228 平方毫米,同表其他工作多在 0.07 到 0.14 之间,只有一项到了 0.24;这篇是多数设计的 1.7 到 3 倍——作者自己说明了原因,为了省面积刻意选小电容,但 53.6% 的面积仍然给了 MIM。输入相关指标(Vi、IIP3、动态范围、FoM)是在 0.2 倍截止频率处测的,越靠近截止频率,转换速率越受限,THD 会跟着恶化。这是常规做法,读者得知道。
只有后仿真,没有硅片实测。表里唯一标 Sim. 的那一行就是它。论文也没给墙钟时间、没给 token 成本、没给和人工设计的工时对比。所以任何“快了多少倍”的说法,这篇论文支撑不了。
工作量倒是给了:原理图 37 个尺寸点、11 轮仿真;版图 14 个迭代、3 轮审查。这个量级说明它不是一次成功,是一次次撞墙之后收敛的。
那它到底证明了什么?我们认为,它证明的是一件比“更省电”更基础的事:模拟设计里那部分长期只存在于工程师脑子里的判断,第一次被写成了一份能被机器执行、也能被别人复查的搜索记录。这跟“AI 比人强”关系不大,变的是经验能不能被审计。
两条路,两种验收
商业工具链走的是一条路。新思今年 3 月把模拟版图综合做进了 ASO.ai 和 Custom Compiler,官方说法是“业界首个 AI 模拟版图综合”,覆盖意图理解、约束综合、floorplan、DRC-clean 版图合成。厂商给的结果是五家客户已完成试点、开始在生产环境部署,版图实现快 3 倍、ECO 和迭代少 3 倍。这些是厂商口径,没有第三方复现。
开源研究走的是另一条。MAGICAL、ALIGN 一系把布局布线内核开放出来,再在上面加智能体调参;这篇论文则连拓扑都交给智能体搜。差别不在技术高低,在验收标准:商业工具要确定性交付,所以把范围收在版图和约束上,工艺库由原厂背书;开源研究要可复现,所以必须把测试台、设计表示、生成器一起放出来——同组的 Analog-DB 就是干这个的,用一套 DSL 把工艺中立的拓扑、可复用测试台和机器可读的 datasheet 捆在一起。
短期看,两条路不会合流。真正的门槛也不在模型能力上。智能体能不能进研发流程,取决于它产生的每条结论有没有证据绑定、每次失败有没有被记下来、每个判断有没有人能复查。这篇论文里那四层记忆和三个“不许”,本质就是把这三件事做成了机制。
怎么判断下一个同类声明
以后再看到“AI 设计了某个模拟电路”,用四个问题过一遍。
拓扑是给定的,还是搜出来的?给定拓扑只调尺寸,和过去十年的贝叶斯优化是同一件事,只是采样更聪明。这条决定它是效率改进还是知识增量。
验证者是设计者本人,还是独立一方?同一个智能体设计、同一个智能体说过了,等于没验。这篇论文让签核者重新生成网表重跑仿真,是这条的最低标准。
边界给的是标称值还是全角?标称后仿真过规格,只说明这个点在 tt 角成立。要看 PVT 全组合通过率、蒙卡分布、后版图漂移。这篇给的是 16/45 和 248.62±3.67 赫兹,你能自己算它离能用还有多远。
有没有硅。没有实测就还是纸面结果,这条不能通融。但它也不该成为否定整篇工作的理由——后仿真通过且有完整角分析,和一个只在标称下成立的数字,差着好几个可信度层级。
如果再加一条,是看它敢不敢写失败。这篇写了九个:测错的相位、换错的器件、进了三极管区的桥、只过一个角的堆叠、被抓出的短路网络、5 纳米的接触不对称、变实数的极点对、占了 5.6% 面积最后被撤销的 dummy 行。一个流程能不能被信任,往往不看它做对了什么,看它抓住过自己什么。
那颗滤波器功耗 11.91 纳瓦,噪声 29.19 微伏,巴特沃斯响应,DRC 和 LVS 都干净。代码放出来了,任何人在开源 PDK 上都能重跑一遍。
更该被记住的是另一件事:过程中有九处错误被记了下来,大多数是流程自己抓住的;有四次决定是人做的——定规格、批版图计划、要求补做符号分析、接受一个角落不达标。
这个比例大概就是现阶段 AI 做模拟设计的真实形状。现在卡住的不是能不能画出来,是画出来的东西凭什么相信。这一次的答案不在模型有多强,在那个把失败当成功的 368.6 度,被自己的流程拦下来了。
作者:麒芯
本文基于公开论文与技术博客作技术解读,设计数据与实验结论归属原作者;文中对自动化路径的判断为编辑观点,不构成工具能力承诺或生产签核结论。
参考资料:
Danial Noori Zadeh、Devanshu Prasad、Mohamed B. Elamien:《Multi-Agent AI Design of a Nanowatt Biomedical Low-Pass Filter from Topology to Layout》,arXiv:2610.28677v1,2026-10-19,投稿 IEEE ISCAS 2027。
Yuxuan Yin、Yu Wang、Boxun Xu、Peng Li:《ADO-LLM: Analog Design Bayesian Optimization with In-Context Learning of Large Language Models》,ICCAD 2024。
Synopsys:《Introducing the World's First AI-Powered Analog Layout Synthesis》,2026-03-19(厂商博客,相关性能与客户进展为厂商自述)。
![]()
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.