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
-
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。
-
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。