HeaRT: Hierarchisches KI-Framework optimiert AMS-Designs schneller und genauer

Ein neues KI-Framework namens HeaRT verspricht, die Automatisierung von Analog‑Mixed‑Signal‑(AMS)‑Designs grundlegend zu verändern. Im Gegensatz zu herkömmlichen Algorithmen, die stark auf große, hochwertige Datensätze angewiesen sind und oft schlecht zwischen unterschiedlichen Architekturen übertragbar bleiben, nutzt HeaRT eine hierarchische Rechenstruktur, die auf einem „Circuit Reasoning Tree“ basiert. Dadurch kann das System komplexe Schaltkreise selbstständig analysieren und optimieren, ohne dass umfangreiche Trainingsdaten erforderlich sind.

Die Entwickler von HeaRT berichten, dass das System bei einem Benchmark aus 40 verschiedenen Schaltkreisen eine Genauigkeit von über 97 % bei der Fehlerdiagnose und eine Pass‑Rate von mehr als 98 % bei der ersten Lösung erzielt hat. Diese Leistungen bleiben stabil, selbst wenn die Schaltkreise an Komplexität zunehmen. Gleichzeitig arbeitet HeaRT mit weniger als der Hälfte des Token‑Budgets, das aktuelle Spitzenmodelle benötigen, was die Rechenzeit deutlich reduziert.

In praktischen Tests konnte HeaRT die Konvergenzzeit bei Aufgaben zur Größen‑ und Topologieoptimierung um mehr als das Dreifache verkürzen, ohne dabei die ursprüngliche Designabsicht zu verändern. Das Ergebnis ist ein schnelleres, intelligenteres und menschlicheres Design‑Optimierungsverfahren, das sich nahtlos in bestehende Automatisierungs‑Loops integrieren lässt.