AutoCircuit: Agentic Pareto Front Exploration for Analog Circuit Designs

Motivation

• Known: Bayesian optimization, evolutionary algorithm(NSGA-II), reinforcement learning 등 전통적 AI 기법과 최근의 LLM 기반 autonomous design agent들이 아날로그 회로 사이징 문제에서 각각 개별적으로 promising한 성능을 보여왔다.
• Gap: 기존 연구들은 이러한 최적화 기법들을 서로 조합하지 않고 개별적으로만 연구했으며, 대부분 scalarized 성능 지표에 초점을 맞춰 단일 목표점을 타겟팅함으로써 설계 다양성(Pareto front 상의 trade-off)을 제한하는 한계가 있었다.
• Why: 아날로그 회로는 gain, bandwidth, power 등 상충하는 다중 목표를 가지며 설계 공간의 상당 부분이 동작 불가능한 회로를 생성하기 때문에, 단일 최적점이 아닌 Pareto front 전체를 빠르게 탐색하여 엔지니어에게 다양한 trade-off 옵션을 제공하는 것이 실무적으로 훨씬 유용하다.
• Approach: LLM orchestrator가 현재 Pareto front와 남은 시간 예산을 관찰하며 BO, NSGA-II, gm/Id recommender, 그리고 SPICE 시뮬레이터를 통한 수동 평가라는 tool 집합 중에서 다음 호출을 전략적으로 선택하도록 설계된 agentic 시스템을 제안한다.

Achievement

Figure 2. Pareto front Comparison between baseline and gm/Id

1. LLM 오케스트레이션 기반 Pareto front 탐색 프레임워크 제시: 고정된 목표점이 아닌 GBW-Power Pareto front 자체를 확장하도록 LLM에게 과제를 부여하여, 설계자에게 연속적인 trade-off 스펙트럼을 제공한다.
2. Tool 부분집합 선택의 중요성 입증: 전체 tool을 모두 제공하는 것보다 NSGA-II + gm/Id와 같이 신중하게 선택된 tool 조합이 동일한 시간 예산에서 LLM-only baseline 대비 log-HV를 최대 2.4~2.5배 향상시킴을 실험적으로 보였다.
3. 시간 인지형(time-aware) 프롬프팅의 한계 규명: wall-clock budget을 LLM에 명시적으로 노출해도 오케스트레이터가 여전히 최적이 아닌 tool-calling 행동을 보인다는 것을 확인, soft/hard 이중 타이머 구조의 필요성과 한계를 함께 제시했다.

How

Figure 3. Tool Call Timeline and Time Breakdown for runs with

• SKY130 open PDK에서 구현된 2-stage op-amp를 벤치마크 회로로 사용, 12개 device parameter(트랜지스터 폭/길이, bias current, coupling capacitor)를 최적화 대상으로 설정
• NgSpice 시뮬레이터로 회로 성능(GBW, Power, Phase Margin)을 평가하며, GBW ≥ 1 MHz, Phase Margin ≥ 60°의 hard constraint를 부과
• BO는 qLogNEHVI multi-objective acquisition function(BoTorch 구현)을 사용해 hard constraint를 스코어링에 직접 반영
• NSGA-II는 population×generation 단위로 한 번에 전체 Pareto front를 갱신하는 custom, dependency-free 구현을 사용
• gm/Id recommender는 사전 (Vgs, Vds, W, L) sweep으로 만든 lookup table을 바탕으로 각 트랜지스터의 동작 영역을 분석해 physics-informed 파라미터 조정을 제안하는 탐색이 아닌 insight 기반 tool
• soft budget(프롬프트에 노출)과 hard budget(1.25배, 외부 watchdog로 강제)의 이중 타이머 구조로 LLM의 자체 시간 관리 능력을 평가
• Claude Opus 4.7을 오케스트레이터 LLM으로 사용, {LLM}, {LLM, gm/Id}, {LLM, BO}, {LLM, NSGA-II} 등 8가지 tool 조합과 2개 black-box 최적화 baseline을 log-HV, Pareto 기여도, 토큰 사용량 등으로 비교

Originality

• LLM을 단일 최적화기가 아닌 여러 전통적 ML 최적화 도구(BO, NSGA-II, gm/Id)를 조율하는 오케스트레이터로 활용해 tool 조합 자체를 실험 변수로 삼은 접근이 독창적이다.
• 기존 연구들이 scalarized 단일 목표점을 타겟팅한 것과 달리, 다목적 Pareto front 전체의 확장을 명시적 과제로 설정하고 log-hypervolume으로 이를 정량 평가한 점이 새롭다.
• gm/Id 정보를 탐색 기반이 아닌 physics-informed insight 제공 도구로 활용해 BO/NSGA-II와 상호보완적으로 결합한 설계가 흥미롭다.
• LLM에게 wall-clock budget을 노출하는 time-aware prompting과 soft/hard 이중 타이머 구조를 통해 agentic 시스템의 자원 관리 행동을 분석한 점도 실무적으로 참신하다.

Limitation & Further Study

• 평가가 단일 벤치마크 회로(2-stage op-amp)에 국한되어 있어 더 복잡하거나 다양한 topology에 대한 일반화 가능성이 검증되지 않았다.
• tool 조합이 8가지로 제한적이며, 전체 tool을 모두 제공했을 때 오히려 성능이 저하되는 원인에 대한 심층 분석(예: tool 간 간섭, LLM의 의사결정 편향)이 부족하다.
• LLM이 여전히 최적이 아닌 tool-calling 행동을 보인다고 언급했으나 구체적으로 어떤 실패 패턴이 발생하는지에 대한 정성적 분석이 제한적이다.
• 특정 상용 LLM(Claude Opus 4.7)에만 의존한 평가로, 모델 종류에 따른 견고성(robustness)이나 재현성에 대한 검토가 부족하다.
• 후속 연구로 더 복잡한 다단 회로, 더 많은 목표 함수, 그리고 다양한 LLM 백본에 대한 확장 실험이 필요하다.

Evaluation

총평: LLM 오케스트레이션과 전통적 최적화 도구를 결합해 아날로그 회로의 Pareto front 탐색을 다루는 실용적이고 참신한 접근으로, tool 조합 선택의 중요성을 명확히 보여주지만 단일 벤치마크와 제한된 분석 깊이로 인해 일반화 검증이 추가로 필요하다.