Los modelos de lenguaje de gran tamaño (LLM) pueden ayudar a convertir instrucciones en lenguaje natural en esquemas funcionales.
Los circuitos fotónicos se utilizan ampliamente en comunicaciones, detección y procesamiento de información, y con el rápido avance de estos campos, se necesitan nuevos diseños de circuitos. Sin embargo, diseñar circuitos fotónicos es una tarea extremadamente difícil que requiere experiencia en electromagnetismo, electrónica, ciencia de materiales, semiconductores, transporte térmico y más. Este proceso de diseño también es en gran medida manual, con pocas herramientas disponibles para automatizar más que las tareas más básicas.
Sharma, Fu y Ansari, entre otros, han desarrollado una herramienta para convertir instrucciones en texto plano en diseños de circuitos fotónicos con la ayuda de un modelo de lenguaje de gran tamaño (LLM). Esperan que su trabajo sirva como prueba de concepto para una nueva clase de herramientas que simplifiquen el proceso de diseño y hagan que el campo de la fotónica sea más accesible.
“Teníamos curiosidad por ver si estas herramientas pueden ayudar a automatizar el diseño de circuitos fotónicos y si podemos facilitar el trabajo”, dijo la autora Joyce Poon.
La herramienta del equipo es un marco de múltiples agentes que genera archivos de máscara de diseño de circuitos en cuatro pasos. Primero, un LLM convierte las instrucciones en lenguaje natural en un esquema inicial. Un segundo LLM genera un diseño detallado basado en componentes funcionales. Luego, un modelo algorítmico convierte el diseño en un diseño estructuralmente válido y lo convierte en un archivo binario que contiene los datos y elementos del diseño del circuito, y un algoritmo de verificación simula el circuito.
Los investigadores probaron su marco utilizando modelos de Google, OpenAI, Anthropic, NVIDIA y DeepSeek. Gemini 2.5, o1 y Claude Opus 4 obtuvieron las tasas de éxito más altas. Aunque todos los modelos funcionaron bien con indicaciones simples, tuvieron dificultades con indicaciones más complejas.
“En este momento, estamos trabajando en mejorar la extracción de entidades, que es el primer paso del marco”, dijo Poon. “A menudo notamos que la interpretación falla porque [los LLM] no comprenden completamente la jerarquía del circuito que el diseñador quiere implementar”.
Fuente: “AI agents for photonic integrated circuit design automation”, por Ankita Sharma, Yuqi Fu, Vahid Ansari, Rishabh Iyer, Fiona Kuang, Kashish Mistry, Raisa Islam Aishy, Sara Ahmad, Joaquin Matres, Dirk R. Englund, y Joyce K. S. Poon, APL Machine Learning (2025). El artículo puede ser accedido en https://doi.org/10.1063/5.0300741 .
