ZeroSim: Transformer-Modell liefert Zero-Shot-Analyse analoger Schaltungen

In der Welt der analogen Schaltungsgestaltung steht die Leistungsbewertung häufig im Fokus, doch klassische SPICE-Simulationen sind zeitaufwendig. Das neue Modell ZeroSim, vorgestellt auf arXiv, löst dieses Problem, indem es mit einem Transformer-Ansatz die Leistung von Verstärkerschaltungen ohne erneutes Training vorhersagen kann.

ZeroSim basiert auf drei Kernstrategien: Erstens nutzt es ein umfangreiches Trainingsset mit 3,6 Millionen Instanzen, das über 60 Verstärker-Topologien abdeckt. Zweitens setzt es auf ein einheitliches Topologie-Embedding, das globale Tokens und hierarchische Aufmerksamkeitsmechanismen kombiniert, um neue Schaltungen zuverlässig zu generalisieren. Drittens sorgt ein topologieabhängiger Parameter‑Mapping-Ansatz dafür, dass strukturelle Darstellungen unabhängig von Parameteränderungen konsistent bleiben.

Die Ergebnisse zeigen, dass ZeroSim bestehende Modelle wie Mehrschichtige Perzeptren, Graph Neural Networks und herkömmliche Transformer deutlich übertrifft. Besonders beeindruckend ist die Zero-Shot‑Genauigkeit bei unbekannten Topologien und die 13‑fach schnellere Optimierung in einem Reinforcement‑Learning‑Pipeline, was die Skalierbarkeit und Anpassungsfähigkeit in der Schaltungsentwicklung erheblich steigert.