AnalogAgent revolutioniert Analog-Schaltkreis-Design mit LLM-Agenten

In der Welt der analogen Schaltungstechnik hat ein neues Konzept namens AnalogAgent die Messlatte für die Automatisierung deutlich höher gelegt. Das System nutzt große Sprachmodelle (LLMs), um Schaltungen zu entwerfen, zu optimieren und zu verbessern – und das ohne zusätzliche Trainingsdaten oder externe Bibliotheken.

Frühere Ansätze setzten meist auf einen einzigen LLM, der in einem einfachen Zyklus aus Generierung, Diagnose und Korrektur arbeitete. Diese Methode führte häufig zu kurzen, oberflächlichen Zusammenfassungen und verlor dabei wichtige technische Details, weil der Kontext im Verlauf des Prozesses verloren ging.

AnalogAgent löst diese Probleme, indem es ein Multi-Agenten-System (MAS) einsetzt, das aus einem Code-Generator, einem Design-Optimierer und einem Knowledge Curator besteht. Durch ein selbstentwickelndes Gedächtnis (SEM) werden Rückmeldungen aus jeder Ausführung in ein adaptives Playbook integriert. Dieses Playbook liefert gezielte Anweisungen für die nächsten Generationen, sodass das System Wissen zwischen verschiedenen Aufgaben übertragen kann – ohne zusätzliche Expertenfeedbacks, Datenbanken oder Bibliotheken.

Die Ergebnisse sprechen für sich: Bei etablierten Benchmarks erzielt AnalogAgent mit Gemini 92 % Pass@1 und mit GPT‑5 beeindruckende 97,4 % Pass@1. Besonders bemerkenswert ist die Leistung kompakter Modelle wie Qwen‑8B, die einen durchschnittlichen Pass@1-Gewinn von 48,8 % erzielen und insgesamt 72,1 % Pass@1 erreichen. Damit demonstriert AnalogAgent, wie stark Open-Weight-Modelle für hochwertige analoge Schaltungsautomatisierung verbessert werden können.

Dieses neue Framework markiert einen bedeutenden Fortschritt in der automatisierten Schaltungsgestaltung und eröffnet die Möglichkeit, komplexe analoge Designs schneller und effizienter zu realisieren – ein echter Durchbruch für Ingenieure und Forschungsteams weltweit.