SINA：一种使用人工智能的全自动电路原理图图像到网表生成器

# SINA：一种使用人工智能的全自动电路原理图图像到网表生成器
来源：https://arxiv.org/html/2607.01609
Saoud Aldowaish¹，Yashwanth Karumanchi¹，Kai-Chen Chiang¹，Mohammed Ayman Habib¹，Finn Murphy²，Rishen Cao¹，Morteza Fayazi¹
¹ 犹他大学电气与计算机工程系，盐湖城，UT 48112，美国。² 科罗拉多大学博尔德分校电气、计算机与能源工程系，博尔德，CO 80309，美国。(电子邮箱: [email protected], [email protected], kai.chiangutah.edu, [email protected], [email protected], [email protected], [email protected])

###### 摘要

人工智能（AI）的最新进展已彻底改变了电子设计自动化（EDA），尤其是在通过大语言模型（LLM）进行电路设计任务方面。然而，它们在模拟和混合信号领域的应用仍然受到缺乏现有电路设计知识机器可读表示的限制。研究论文、教科书和网站中的电路原理图图像构成了一个巨大的已验证设计库；然而，这些视觉表示无法直接被EDA工具处理。将它们转换为机器可读的网表对于实现仿真、验证以及为基于AI的模型构建综合数据库至关重要。当前的转换方法缺乏跨集成电路（IC）和印刷电路板（PCB）级原理图的泛化能力。此外，它们在元件识别和连接性推断方面存在困难，并且无法区分连接节点和交叉走线。在本文中，我们提出了SINA，一个开源的电路原理图图像到网表生成器。SINA是一个全自动流水线，集成了用于稳健元件检测的深度学习、用于准确连接性推断的连通分量标记、用于元件参考标识符提取的光学字符识别（OCR），以及用于可靠参考标识符分配的视觉-语言模型（VLM）。SINA同时处理IC级和PCB级原理图，并包含专门的交叉走线检测功能，以区分导线交叉点和连接点。我们使用图同构技术验证生成网表的正确性。我们的实验表明，总体网表生成准确率达到96.67%，比现有最先进方法高出2.72倍。

###### 索引词：

自动化网表生成器，开源，电路设计自动化，元件检测，连通分量标记（CCL），光学字符识别（OCR），视觉-语言模型（VLM），图同构，人工智能（AI），深度学习，大语言模型（LLM）。

## I 引言

人工智能（AI）的最新进展已显著改变了电子设计自动化（EDA），尤其是通过将大语言模型（LLM）集成到电路设计流程中[1 (https://arxiv.org/html/2607.01609#bib.bib1),2 (https://arxiv.org/html/2607.01609#bib.bib2),3 (https://arxiv.org/html/2607.01609#bib.bib3)]。虽然LLM在数字电路生成和验证方面取得了显著成功[4 (https://arxiv.org/html/2607.01609#bib.bib4),5 (https://arxiv.org/html/2607.01609#bib.bib5),6 (https://arxiv.org/html/2607.01609#bib.bib6)]，但它们在模拟和混合信号领域的潜力仍然受到一个基本挑战的限制：缺乏现有电路设计知识的机器可读表示[7 (https://arxiv.org/html/2607.01609#bib.bib7),8 (https://arxiv.org/html/2607.01609#bib.bib8),9 (https://arxiv.org/html/2607.01609#bib.bib9)]。研究论文、教科书和网站中的电路原理图图像包含丰富且经过验证的电路设计信息。然而，这些宝贵的视觉知识无法被EDA工具直接解释。为了促进这些设计的仿真、验证和重用，以及为面向电路的AI模型构建综合数据库，这些原理图应转换为机器可读的网表[10 (https://arxiv.org/html/2607.01609#bib.bib10),11 (https://arxiv.org/html/2607.01609#bib.bib11)]。

目前，EDA工具中的图像到网表转换过程依赖于手动转录，这既耗时又容易出错[12 (https://arxiv.org/html/2607.01609#bib.bib12),13 (https://arxiv.org/html/2607.01609#bib.bib13)]。例如，几个用于模拟集成电路（IC）设计自动化的基于LLM的工具通过手动将研究论文、教科书和网站中的电路原理图图像转换为网表来构建其知识库[14 (https://arxiv.org/html/2607.01609#bib.bib14),15 (https://arxiv.org/html/2607.01609#bib.bib15)]。类似地，FASCINET[16 (https://arxiv.org/html/2607.01609#bib.bib16),17 (https://arxiv.org/html/2607.01609#bib.bib17)]引入了一种基于AI的印刷电路板（PCB）设计自动化方法，该方法也依赖于手动填充的PCB原理图网表数据库。这种对手动图像到网表转换的依赖严重限制了此类EDA工具支持的设计空间，造成了限制其准确性和普遍适用性的显著瓶颈[18 (https://arxiv.org/html/2607.01609#bib.bib18)]。

尽管已经研究了自动化方法来解决这一挑战，但现有的将原理图图像转换为网表的方法面临五个持续存在的局限性：

1. (1)泛化能力有限：大多数方法无法同时泛化到IC级和PCB级原理图。IC级原理图通常具有密集的晶体管级图，而PCB级原理图则由矩形分立元件组成。现有工具通常针对单一领域[19 (https://arxiv.org/html/2607.01609#bib.bib19),8 (https://arxiv.org/html/2607.01609#bib.bib8),20 (https://arxiv.org/html/2607.01609#bib.bib20)]，限制了它们在现实世界应用中的适用性。
2. (2)元件识别不准确：传统系统通常依赖于基于规则的技术，这些技术使用形状描述符、手动定义的模板或线跟踪启发式方法来识别元件和导线[21 (https://arxiv.org/html/2607.01609#bib.bib21),22 (https://arxiv.org/html/2607.01609#bib.bib22)]。虽然在干净的打印原理图上有效，但这些方法对失真、视觉噪声和手绘变化高度敏感。即使元件外观的微小偏差或线条的轻微不完美也可能导致不准确的结果。
3. (3)连接性推断不可靠：尽管最近的方法采用了基于深度学习的目标检测模型，如YOLO[23 (https://arxiv.org/html/2607.01609#bib.bib23),24 (https://arxiv.org/html/2607.01609#bib.bib24),25 (https://arxiv.org/html/2607.01609#bib.bib25),26 (https://arxiv.org/html/2607.01609#bib.bib26),27 (https://arxiv.org/html/2607.01609#bib.bib27)]，但它们通常无法准确推断元件之间的连接性。许多方法依赖于过度简化的假设，例如直线导线路径或孤立节点[28 (https://arxiv.org/html/2607.01609#bib.bib28),29 (https://arxiv.org/html/2607.01609#bib.bib29),11 (https://arxiv.org/html/2607.01609#bib.bib11)]，这在密集、不规则或手绘原理图中并不成立。因此，即使具有高检测精度的系统也经常产生结构无效的网表。
4. (4)无法区分交叉导线与真实连接：大多数现有方法无法区分连接的导线节点和非连接的交叉导线。在电路原理图中，导线经常交叉而不形成电气连接，这种区别通常通过缺少连接点来表示。当前方法要么错误地假设所有导线交叉点都代表连接，要么依赖于在复杂布局中失败的过度简化启发式方法[23 (https://arxiv.org/html/2607.01609#bib.bib23),28 (https://arxiv.org/html/2607.01609#bib.bib28),29 (https://arxiv.org/html/2607.01609#bib.bib29)]。
5. (5)参考标识符提取和分配薄弱：参考标识符是分配给元件以在原理图中唯一标识它的字母和数字的文本组合[30 (https://arxiv.org/html/2607.01609#bib.bib30)]。光学字符识别（OCR）引擎可以提取此类参考标识符（例如“R1”、“C2”）以及原理图中的元件值（例如“10kΩ”、“5μF”）。然而，它们经常误读重叠或旋转的文本，并错误地将参考标识符分配给附近的元件[22 (https://arxiv.org/html/2607.01609#bib.bib22),31 (https://arxiv.org/html/2607.01609#bib.bib31)]。虽然视觉-语言模型（VLM）提供了强大的视觉-文本推理能力[29 (https://arxiv.org/html/2607.01609#bib.bib29)]，但单独使用时，它们可能会错误分配参考标识符，错误识别相似元件，或忽略电路特定的上下文。

在本文中，作为[32 (https://arxiv.org/html/2607.01609#bib.bib32)]的扩展，我们提出了SINA，一个开源的¹¹¹https://anonymous.4open.science/r/SINA-213F/README.md全自动流水线，用于将电路原理图图像转换为SPICE兼容网表。SINA设计为对广泛的电路样式具有鲁棒性，并且对输入图像的颜色、方向、样式、领域或分辨率不做任何假设。SINA的目标有五个：(a) 泛化到IC和PCB两个领域，包括手绘和扫描原理图；(b) 实现高元件检测精度；(c) 准确推断连接性，即使在密集或不规则布局中；(d) 正确识别和处理交叉导线；(e) 可靠地提取和分配元件参考标识符。

为了支持对不同原理图格式的泛化，SINA在包含IC级和PCB级设计（包括手绘和扫描原理图）的数据库上进行训练。这种多样性使模型能够有效泛化到真实世界的电路图像[33 (https://arxiv.org/html/2607.01609#bib.bib33)]。为了实现高元件检测精度，SINA使用了基于YOLO的目标检测模型[25 (https://arxiv.org/html/2607.01609#bib.bib25)]，该模型在多样化的原理图集上进行训练，使其能够学习不同的元件配置并在各种样式中保持鲁棒性。为了推断连接性，SINA应用连通分量标记（CCL）[34 (https://arxiv.org/html/2607.01609#bib.bib34)]来分组导线线段，并根据共享的布线区域识别元件端子之间的连接。这种方法避免了严格几何假设（例如直线）的限制。

SINA实现了一个专用的交叉导线检测模块，该模块使用形态学变换[35 (https://arxiv.org/html/2607.01609#bib.bib35)]和轮廓分析来识别和区分未连接的导线交叉点与实际节点，防止生成的网表中出现错误连接。最后，SINA结合OCR和VLM[29 (https://arxiv.org/html/2607.01609#bib.bib29)]来提取参考标识符并验证它们对元件的分配。VLM通过对原理图图像和参考标识符上下文进行推理来增强可靠性，减少了在杂乱或视觉不一致的图中的错误分配。

我们在包含IC级和PCB级来源原理图的多样化基准上评估SINA。SINA在IC级电路上实现了98%的元件检测精度，在PCB级电路上实现了94%，文本（元件参考标识符和值）提取准确率为97.5%。此外，SINA的总体网表生成准确率达到96.67%，比现有最先进的开源方法[8 (https://arxiv.org/html/2607.01609#bib.bib8)]高出2.72倍。所有数据库、基准和代码均已开源，以鼓励可重复性和未来研究。

本文的主要贡献如下：

- • 引入一个开源原理图到网表工具，支持IC级和PCB级原理图。
- • 集成YOLO和VLM从原理图图像中检测、验证和提取电路元件。
- • 通过应用CCL实现稳健的连接性推断，生成SPICE兼容网表。
- • 纳入交叉导线检测以区分连接的导线交叉点和未连接的交叉点。
- • 采用基于图同构的方法验证生成网表的结构正确性。

## II 背景与相关工作

尽管先前的工作已经推进了原理图理解，但许多流水线仍然是领域特定的，假设理想输入条件，或者在噪声、模糊的导线几何或复杂原理图中挣扎。

参见图注图1：提出的SINA工作流程。输入图像原理图。(1) 元件检测阶段。(2) 连接性推断阶段。(3) 参考标识符提取与分配阶段。(4) 网表生成阶段。

### II-A 基于规则与启发式方法

基于规则的系统采用非学习型流水线，涉及线检测、启发式方法和图像形态学[36 (https://arxiv.org/html/2607.01609#bib.bib36)]。例如，Mohan等人[37 (https://arxiv.org/html/2607.01609#bib.bib37)]和Huoming等人[38 (https://arxiv.org/html/2607.01609#bib.bib38)]开发了规则驱动的流水线，应用边缘检测和像素连通性来提取手绘原理图中的元件和导线。这些方法通常利用霍夫线变换[39 (https://arxiv.org/html/2607.01609#bib.bib39)]进行线检测，以及阈值化和膨胀操作进行导线分割。虽然在受约束条件下有效，但此类系统在存在失真或视觉杂乱时会变得脆弱。Kelly等人[22 (https://arxiv.org/html/2607.01609#bib.bib22)]构建了一个全面的流水线，使用模式匹配、OCR和符号布局重建来生成网表。他们的参考标识符分配在OCR提取（使用Tesseract[40 (https://arxiv.org/html/2607.01609#bib.bib40)]等工具）后依赖于简单的空间启发式方法。虽然在干净的原理图上有效，但他们的系统假设最小视觉噪声，并且不支持手绘或不规则输入。相比之下，SINA利用CCL[34 (https://arxiv.org/html/2607.01609#bib.bib34)]进行连接性推断，避免脆弱的跟踪启发式方法，从而提高了对原理图变化的鲁棒性。

### II-B 基于模板的识别

基于模板的方法通过将原理图元素与预定义的元件模式进行匹配来检测元件。Roy等人[41 (https://arxiv.org/html/2607.01609#bib.bib41)]和Mittal等人[21 (https://arxiv.org/html/2607.01609#bib.bib21)]使用轮廓匹配和形状模板来识别部件，例如电阻和电容。Moetesum等人[21 (https://arxiv.org/html/2607.01609#bib.bib21)]提取纹理和形状特征来区分元件，在干净图像上显示出高精度。这些方法通常受限于对固定元件库的依赖，并且在出现旋转或手绘元件时会失效。此类方法难以扩展到各种元件样式，并且不适用于大型项目。另一方面，SINA使用基于YOLO的模型[25 (https://arxiv.org/html/2607.01609#bib.bib25),26 (https://arxiv.org/html/2607.01609#bib.bib26)]，该模型在多样化的原理图样本上进行训练，从而在IC和PCB领域实现强大的泛化能力。

参见图注图2：SINA在IC级原理图上的流水线示例