Spice
PulseAugur coverage of Spice — every cluster mentioning Spice across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
神经网络加速芯片设计的晶体管建模
研究人员开发了基于神经网络（NN）的晶体管模型，显著加速了芯片设计的SPICE仿真。这些模型能够准确预测3纳米纳米片器件的漏极电流和电荷，证明了其作为行业标准BSIM-CMG模型的替代方案的可行性。在各种电路中，基于神经网络的方法实现了高达8倍的标准单元库表征加速，在延迟评估中的误差低于0.11%，在总功耗评估中的误差为0.76%。
-
新框架将手绘电路图转换为SPICE兼容的网表
研究人员开发了Sketch2Sim，一个用于分析手绘电路图的新型框架。该系统将电路草图转换为与集成电路强调仿真程序（SPICE）兼容的格式，从而能够自动计算节点电压和电流。该框架采用多阶段流水线，包括基于YOLO的检测器、用于符号提取的带OCR的CRNN，以及用于节点识别的DBSCAN等图像处理技术。创建了一个包含1000个手绘电阻-电感-电容（RLC）电路的数据集来训练和评估该系统，证明了其在各种书写风格和条件下的稳健性能。
-
新的机器学习数据集和模型推动模拟集成电路设计自动化
两篇新研究论文介绍了用于模拟集成电路（IC）设计的先进机器学习技术。第一篇LOADBench提供了一个大型开源数据集和基准套件，用于运算放大器拓扑结构，旨在标准化评估并实现不同机器学习方法之间的可靠比较。第二篇CktHGVAE提出了一种图变分自编码器，该模型同时使用设计和状态变量进行晶体管级模拟/混合信号电路设计，展示了高精度和成功迁移学习到未见过的电路拓扑结构的能力。
-
Amazon Quick 为 AI 构建的应用添加实时数据查询功能
Amazon Quick 推出了一项名为“应用内实时数据”的新功能，允许 AI 构建的应用实时查询受管的 Amazon Quick Sight 数据集。此前，应用只能显示创建时静态的数据。此次更新使用户能够访问最新的业务指标，并确保数据访问受到用户权限的管辖，从而增强了 AI 驱动的应用对各种组织角色的实用性。
-
新研究推进AI模型的因果推断方法 · 追踪6个来源
研究人员正在开发新方法来改进机器学习模型中的因果推断，特别是在处理未测量混淆因素时。一种方法，隐藏路径贡献（HPC），旨在区分通过合法模型路径产生正确答案的干预措施与利用隐藏路径的干预措施。另一个研究领域侧重于因果基础模型（CFMs），它们利用多样化的实验方案和观测数据来更准确地预测条件干预分布。研究还探讨了可用观测数据如何影响因果效应的识别，并引入了因果ID视图（CausalIDView）等基准来评估CFMs在不同数据视图下的性能。…
-
新AI框架为先进芯片创建可解释的晶体管模型
研究人员开发了PRISM-UDE，一个用于创建准确且物理上可解释的晶体管模型的新框架。该方法将神经网络嵌入到基于物理的模型中，以学习复杂的传输行为，然后将其提炼成封闭形式的符号表达式。当应用于3nm FinFET晶体管时，PRISM-UDE显著降低了预测误差，并在移除神经网络的同时保持了准确性，在电路仿真中展示了稳定的性能。
-
新的SPICE框架简化了视觉模型中的多义性分析
研究人员开发了SPICE，一个新颖的框架，旨在简化深度视觉架构中多义性的分析。这种新方法提供了一种可泛化的方法，不依赖于特定的模型架构，从而首次能够系统地比较卷积神经网络（CNN）和Transformer之间的多义性。SPICE还自动确定每个神经元概念聚类的最佳数量，无需手动输入，并能够对大型模型进行可扩展分析。
-
vd_agent项目旨在复兴2000年代初的SPICE虚拟机监视器
vd_agent项目旨在复兴SPICE，这是一款在2000年代初流行的虚拟机监视器。该项目的创建者Lloyd Bloch致力于让SPICE保持活力和功能。这项举措旨在带回一段计算历史，并有可能在现代应用程序中利用其功能。
-
新AI辅导系统将静态电路问题转化为动态学习体验
研究人员开发了CircuTutor，一个旨在增强直流电路概念学习的智能辅导系统。该系统将教科书中的静态电路问题转化为动态、交互式的辅导课程。通过电路仿真和多模态解析，CircuTutor能够分析学生的答案，通过因果推理链解释电路行为，识别学生的误解，并提供有针对性的后续练习。初步实验表明，CircuTutor显著提高了电路教育中的概念理解和整体学习体验，并可能应用于其他STEM领域。
-
新的EEBench框架测试AI的电路板设计能力
一个名为EEBench的新评估框架正在开发中，用于评估AI在设计电子电路（特别是印刷电路板，PCB）方面的能力。虽然像OpenAI的GPT-6 Astra这样的AI模型通过与KiCad等设计工具集成展现出潜力，但EEBench侧重于通过模拟真实世界条件（包括组件容差以及电气性能、成本和供应链可用性之间的权衡）来评估AI生成设计的实际性能。这种方法旨在超越简单的CAD工具操作，更严格地测试AI在电子领域的实际工程问题解决能力。
-
新的PCBnet数据集和流水线助力AI在电路板设计中的应用
研究人员推出了PCBnet，一个旨在推进人工智能驱动的印刷电路板（PCB）设计自动化的新数据集。该数据集包含超过300个真实世界的PCB设计，拥有超过50,000个组件实例和150,000条导线，并配有SPICE网表。为了促进从原理图图像到网表的转换，开发了一个自动化流水线，结合了视觉识别、拓扑构建和多智能体校正，在组件检测、文本识别和连通性方面取得了高精度。
-
SPICE框架增强了预测性流程挖掘中深度学习的可复现性
研究人员推出SPICE，一个基于PyTorch的新Python框架，旨在增强预测性流程挖掘（PPM）的可复现性。SPICE标准化了三种流行的基于深度学习的PPM方法的实现，为严格比较建模方法提供了通用基础。该框架旨在解决当前PPM技术之间缺乏透明度和可比性的问题，从而便于集成新数据集和基准测试。
-
LLM-SPICEMixer 使用 LLM 指导的遗传算法增强模拟电路设计
研究人员开发了 LLM-SPICEMixer，一个增强模拟电路设计遗传算法的新框架。这种混合方法集成了基于 LLM 的算子 IGEL，用于生成新的电路网表提案，然后使用 SPICE 模拟进行评估。LLM 提供结构化拓扑思路，而 SPICE 作为性能的最终仲裁者。在 Iris 分类测试中，与没有 LLM 指导的遗传框架相比，LLM-SPICEMixer 在中位数训练奖励方面提高了 8.4%，在中位数验证奖励方面提高了 8.8%。
-
LLM通过新的布局和拓扑框架加速模拟电路设计
两篇新的研究论文探讨了大型语言模型（LLM）在模拟电路设计中的应用，旨在自动化和提高复杂布局优化和拓扑生成的效率。第一篇论文介绍了一个面向仿真的LLM多智能体框架，用于上下文策略改进，显著减少了昂贵的仿真需求。第二篇论文提出了AaLLM，一个端到端的框架，使用LLM进行拓扑生成和电路尺寸调整，实现了可比或更优的性能指标，并大幅减少了设计时间和仿真调用次数。
-
新基准揭示 LLM 在电路设计网表操作中的局限性
研究人员推出了 NetlistBench，这是一个旨在评估大型语言模型 (LLM) 在理解和操作 SPICE 网表方面的可靠性的新基准。SPICE 网表对于电路设计至关重要。该基准包含 24 个任务家族中的 2,342 个案例，评估了模型在参数识别、连接性编辑和等效性判断等任务上的表现。结果表明，虽然 LLM 在简单的局部编辑任务上表现良好，但在设备添加和等效性判断等更复杂的操作上，其准确性会显著下降，这凸显了网表可靠性是值得信赖的基…
-
新的CapProbe基准评估来自VLM的详细图像字幕
研究人员推出CapProbe，一个旨在严格评估视觉语言模型（VLM）生成的详细字幕的新基准。与现有难以处理事实准确性和探测密度的方法不同，CapProbe将图像分解为多个区域，并为每个区域生成多项选择题，涵盖广泛的语义类别。该方法旨在通过减少开放式评分偏差和识别特定的失败模式，为评估VLM字幕能力提供一种更具成本效益和可靠的方法。
-
Adjudicated Captioning 框架提升零样本图像字幕生成性能
研究人员开发了一个名为 Adjudicated Captioning 的新颖多智能体框架，以改进零样本图像字幕生成。该推理时系统通过添加更强的检索编码器和交叉注意力验证器来重新排序图像-文本对齐，从而增强现有的字幕生成器。此外，通过自监督蒸馏训练的学习型重排序器，无需配对的图像-字幕数据即可进一步优化字幕生成束。
-
LLM代理通过ATLAS框架解决模拟电路设计问题
研究人员开发了一个名为ATLAS的新框架，该框架利用大型语言模型（LLM）进行模拟电子设计自动化（EDA）。这个多步骤的代理框架旨在生成功能性的逐次逼近寄存器（SAR）模数转换器（ADC）电路，这些电路能够通过严格的SPICE仿真。通过将LLM与专家知识相结合进行规划、选择、参数化和迭代修改，ATLAS旨在克服直接LLM提示在模拟设计中的局限性，后者通常会导致幻觉和仿真失败。
-
Amazon QuickSight 将业务上下文集成到数据集中，并通过新的 Topic 功能统一多个数据集
Amazon QuickSight 正在通过两项新功能增强其数据管理能力：数据集丰富 (Dataset Enrichment) 和多数据集 Topics (multi-dataset Topics)。数据集丰富允许将业务上下文（如列描述和同义词）直接嵌入到数据集中，从而创建单一事实来源。现在处于公开预览版的多数据集 Topics 允许用户在单个 Topic 中定义多达 12 个数据集之间的关系，使 AI 驱动的聊天代理能够遍历这些关系…
-
Weave工具实现100%验证原理图转换准确率
研究人员开发了Weave，一种用于将SPICE网表转换为LTspice原理图的新型确定性工具。与不提供连接性保证的概率性方法不同，Weave通过执行往返检查来提供二进制正确性证书：它会重新解析生成的原理图，并逐网表地与原始输入进行比较。在一个标准测试集上，Weave实现了100%的编译和验证连接性等效性，显著优于最先进的LLM转换器Schemato，后者报告了较低的编译率和连接性准确率。