Spice
PulseAugur coverage of Spice — every cluster mentioning Spice across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。
-
新型忆阻器突触设计有望实现高效的片上神经网络
研究人员开发了一种用于片上神经网络的基于物理的设计，该设计利用了能够支持广泛电导状态的多级忆阻器突触。该设计根植于离子传输物理学，包括一个状态变量模型，该模型考虑了在各种噪声和漂移条件下可存储的子级别。所提出的架构将这些器件集成到1T1R交叉阵列结构中，从而在模拟域内实现模拟向量-矩阵乘法以及用于推理、反向传播和权重更新的原位学习规则。该设计旨在创建一个高密度、模拟、内存内神经网络处理器，在效率方面显著超越传统的CMOS和二元ReRA…
-
LLM 框架生成可验证的 PCB 示意图，无需单元测试
研究人员开发了 PCBSchemaGen，一个旨在使大型语言模型 (LLM) 能够为印刷电路板 (PCB) 示意图设计生成可验证代码的新型框架。与依赖单元测试的典型代码合成基准不同，PCBSchemaGen 使用从集成电路数据表中提取的特定领域模式和连续奖励验证器来确保正确性。这种方法甚至可以让像 Gemma-4-31B 这样的开放权重 31B 模型在 PCBBench 任务上达到 81.3% 的成功率，证明了其在缺乏传统测试预言机的…
-
SPICE框架通过动态课程演化增强多模态学习
研究人员推出了一种新的多模态学习框架SPICE，该框架基于部分信息分解（PID）理论动态调整课程。这种方法将多模态交互分解为冗余、独特和协同的组成部分，以更好地理解样本复杂性。SPICE允许模型实时地将其学习策略从共享的跨模态线索演化为特定模态的模式和复杂的协同交互，在多模态基准测试中表现出改进的性能。
-
Spice 开源 AI 代理的决策层
Spice 是一个新推出的开源决策层，旨在增强现有 AI 代理的功能。它充当一个“大脑”，负责观察上下文、检测冲突、模拟潜在的未来并向最合适的代理分派任务。该系统旨在提供一个可审计和可追溯的决策过程，从而改进代理理解上下文、推理结果以及从其行为中学习的方式。
-
AI模型加速铁电NAND保持分析，速度比TCAD快10000倍以上
研究人员开发了一种新颖的物理信息神经网络算子（PINO）模型，以加速铁电垂直NAND（Fe-VNAND）闪存中的数据保持分析。该AI代理模型整合了基本物理原理，与传统的工艺计算机辅助设计（TCAD）模拟相比，实现了超过10,000倍的速度提升。PINO框架能够准确预测阈值电压漂移和保持行为，为优化器件设计和实现可靠性感知模拟提供了重大进展。