论文提出双环框架，用自然语言生成可验证的 KiCad 电源原理图
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载单靠大模型画板的问题
论文指出，电源变换器设计通常依赖人工完成拓扑选型与参数计算、商用元件选型、电路仿真验证和原理图绘制。大模型在电子设计自动化中已有应用前景，但把独立的大模型直接用于板级电源原理图合成时，会出现明显的工程性错误：解析计算得到的尺寸不准确，元件料号被编造或与实际不匹配，电压降额裕度被突破，拓扑连接关系断裂。这些问题不是措辞层面的偏差，而是会直接导致设计不可用的错误，因此作者把工作重点放在如何用外部约束和闭环校验把这些错误挡住，而不是单纯提升模型生成能力。
三段式流程怎么串起来
框架被组织为三个功能列、六个阶段。第一列做需求解析与知识驱动的功率级合成，拓扑范围包括非隔离的 Buck、Boost，以及隔离或谐振类的 Flyback、DAB、半桥 LLC。第二列做元件选型，选型过程受契约与证据双重协调，依据来自分销商 API 和 OEM 数据手册，而不是让模型凭记忆给出料号；选型结果再交给 ngspice 瞬态仿真做闭环验证，并把应力结果反馈回选型环节。第三列做模块化控制硬件集成与多格式交付物生成，其中包含原生 KiCad 网表的往返验证，用来确认生成的原理图与网表在工具链中保持一致、可继续编辑。
两个案例与量化结果
端到端案例有两个：一个是 24-36V 输入、12V/2A 输出的 Buck 变换器，涉及 29 个位置、83 个已验证端子；另一个是隔离型 48V 转 24V、0.5A 的 Dual-Active Bridge 变换器，涉及 87 个位置、341 个已验证端子。论文同时给出与 Vanilla LLM 基线的对比评测：元件验证覆盖率由 22.2 提升到 98.6，标称值一致率由 0 提升到 97.7，SPICE 仿真通过率由 0 提升到 100。这三项指标分别对应料号是否真实可采购、参数是否与设计意图一致、电路是否真的能仿真跑通，也正好对应前文列出的几类工程性错误。
对使用者的意义
这套流程的产出不是一段描述电路的文本，而是可编辑的 KiCad 原理图和制造交付物，并经过网表往返校验，意味着结果可以进入既有 EDA 工具链继续修改。对做电源硬件的人来说，值得关注的是它把「模型生成」和「证据校验」拆开：料号来自分销商与厂商文档，参数一致性靠仿真与应力反馈把关，而不是依赖模型自述。论文给出的指标也提供了可复现的比较口径。需要注意，材料只覆盖上述两类拓扑与两个具体案例，其他拓扑和更大规模板级设计的表现未在材料中说明。
为什么值得看
直接让大模型画电源板会出现选型造假、耐压违规、拓扑断连等问题，这篇给出可量化的闭环修正路径。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。