AnalogRetriever：学习模拟电路检索的跨模态表示

模拟电路设计在很大程度上依赖于重用现有的知识产权 (IP)，但跨 SPICE 网表、原理图和功能描述等异构表示形式进行搜索仍然具有挑战性。现有方法很大程度上仅限于单一模态内的精确匹配，无法捕获跨模态语义关系。为了弥补这一差距，我们提出了 AnalogRetriever，这是一个用于模拟电路搜索的统一三模态检索框架。我们首先通过两阶段修复管道在 Masala-CHAI 之上构建高质量数据集，将网表编译率从 22% 提高到 100%。在此基础上，AnalogRetriever 使用视觉语言模型对原理图和描述进行编码，并使用端口感知关系图卷积网络对网表进行编码，通过课程对比学习将所有三种模式映射到共享嵌入空间。实验表明，AnalogRetriever 在所有六个跨模态检索方向上的平均 Recall@1 达到了 75.2%，显着优于现有基线。当作为检索增强生成模块集成到 AnalogCoder 代理框架中时，它可以持续提高功能通过率，并能够完成以前未解决的任务。我们的代码和数据集将被发布。