AMSchem把AMS网表变成可读原理图：40个电路子集上有效率85.0%，直出仅32.5%
核心概要
模拟与混合信号电路的设计知识大量藏在原理图里，而网表只记录器件与连线，不记录人怎么读。AMSchem把“画什么”的电路感知规划与“怎么画”的可执行几何分开，每一步修改都要通过器件保留、引脚—网络一致和几何合法性的确定性校验。在AMSchem-Bench的40个电路原理图子集上，配gpt-5.5的AMSchem有效率为85.0%，直接生成只有32.5%；作为视觉反馈模块接入LLM模拟设计流程后，五个模型此前失败的13个AnalogCoder案例全部解决。
深度剖析
AMSchem让大模型从AMS网表直接产出人能读、机器能查的原理图，而不只是能通过电学检查的文本网表。 此前基于大模型的模拟设计工具主要围绕文本网表和数值指标迭代，产出的电路缺少工程师用来理解和调试的可视化原理图。 在AMSchem-Bench的40个电路原理图子集上，配gpt-5.5的AMSchem有效率为85.0%，直接生成SchematicIR为32.5%；按难度分层，AMSchem在Easy、Medium、Hard上分别为92.3%、95.0%、42.9%。
生成过程被拆成无坐标的绘图意图与可执行的原理图几何两层，中间由确定性校验器把关。 直接生成把连线、几何和绘图语法混在一次输出里，符号位置或走线的局部错误会悄悄破坏整张图的拓扑，而视觉上看起来合理并不保证连接正确。 绘图意图阶段先按类型约束的子图匹配把网表片段对到18个常见AMS单元（如电流镜、差分对）的绘图参考上，再落到带源网表标识的SchematicIR；校验器检查器件保留、引脚—网络一致与几何合法性，只有通过重新校验的局部补丁才被接受。
渲染后的图像反馈专门处理规则写不出来的可读性缺陷，并以有界补丁回写到几何层。 结构化校验只能覆盖能用规则表达的连接与几何错误，视觉上含糊的接点、被遮挡的端子或过密连线不在其中。 视觉反馈阶段先提出电路感知的风险区域，再把裁剪图像连同对应的SchematicIR对象、局部网表上下文和绘图意图字段一起交给视觉模型诊断；消融中仅开启绘图意图时有效率仍为32.5%，加入SchematicIR校验与修复后升到80.0%，再加视觉反馈达到85.0%。
启示与展望
演示范围是AMSchem-Bench中来自AMSnet 2.0的40个电路原理图子集，以及AnalogCoder基准上五个模型、120次评估的下游设计回路；可读性由参考指标和15名工程师的盲评平均意见分给出。
可读性提升的幅度小于有效性提升且波动更大；少样本示例反而会拉低部分骨干模型的有效率；视觉反馈是三个阶段中最耗token的一环，每例平均总消耗153.3k token，其中输入占88.3%。