AMSnet 2.0

AMSnet 2.0是一个大规模的模拟和混合信号电路设计数据集，包含了2686个电路的原理图图像、Spectre格式的网表、OpenAccess格式的数字原理图以及电路组件和网的位置信息。该数据集是为了解决多模态大语言模型在电路图识别、理解和网表生成方面的困难而创建的。AMSnet 2.0通过一个数据标注平台收集了来自教科书和公开竞赛的原理图图像，并进行了人工标注。数据集的建设过程包括图像收集、原理图元素和网检测以及网表生成。该数据集旨在推动多模态大语言模型在模拟和混合信号电路设计中的应用。AMSnet 2.0 is a large-scale analog and mixed-signal circuit design dataset. It contains schematic images of 2686 circuits, netlists in Spectre format, digital schematics in OpenAccess format, as well as position information of circuit components and nets. This dataset was developed to address the challenges faced by multimodal large language models (LLMs) in circuit schematic recognition, understanding and netlist generation. AMSnet 2.0 collects schematic images from textbooks and public competitions via a data annotation platform, and conducts manual annotation. The dataset construction process includes image collection, schematic element and net detection, as well as netlist generation. This dataset aims to promote the application of multimodal LLMs in analog and mixed-signal circuit design.

搜集汇总

数据集介绍

构建方式

AMSnet 2.0数据集的构建采用了多模态数据采集与深度学习方法相结合的策略。研究团队从教科书和公开竞赛中收集了2686个电路原理图，并通过自主开发的标注平台进行人工标注，包括元件边界框、网络线段及专家知识标签。针对传统基于启发式规则的网络检测方法在复杂或噪声图像中的局限性，该数据集创新性地采用了两阶段实例分割技术：首先通过U-Net模型完成导线语义分割，再结合交叉点检测算法进行网络拓扑重构。这种流程不仅生成了Spectre格式的网表，还利用坐标信息实现了OpenAccess格式的数字原理图自动重建，显著提升了数据质量和应用范围。

特点

作为当前规模最大的模拟混合信号电路多模态数据集，AMSnet 2.0的核心特点体现在三个方面：其数据模态完整性包含原理图图像、网表文件、数字原理图及元件位置信息四维数据；通过对抗标记的数据增强策略，使网络检测模型在含噪声图像中仍保持90.19%的F1分数；创新性地保留了电路元件的空间拓扑关系，使得2686个电路实例平均包含10-80个元件，覆盖电阻、MOS管等14类元件共计数万个标注实例。这种多维度、高精度的数据特性为MLLM模型理解电路拓扑提供了坚实基础。

使用方法

该数据集支持三种典型应用范式：基于YOLO11和U-Net的联合训练框架可用于开发鲁棒的电路解析算法，输入原理图图像可直接输出网表及数字原理图；通过监督微调(SFT)将数据集用于增强多模态大语言模型的电路理解能力，如图7所示实现元件定位功能；构建的schematic-netlist配对数据可作为条件生成模型的训练素材，实现网表到可编辑原理图的逆向转换。使用时需注意数据已按复杂度分为easy/medium/hard三个子集，评估时应采用基于混淆矩阵的元件级F1分数指标。

背景与挑战

背景概述

AMSnet 2.0是由宁波数字孪生研究院、加州大学洛杉矶分校和清华大学的研究团队于2025年共同发布的大规模模拟混合信号（AMS）电路数据集。该数据集旨在解决当前多模态大语言模型（MLLMs）在电路图识别和理解方面的局限性，特别是缺乏高质量的电路图-网表配对数据的问题。AMSnet 2.0包含2,686个电路图，涵盖了图像格式的电路图、Spectre格式的网表、OpenAccess格式的数字电路图以及电路元件和网络的位姿信息，相比其前身AMSnet（仅包含792个电路图且无数字电路图），在数据规模和多样性上均有显著提升。该数据集的发布为AMS电路设计的自动化研究提供了重要的数据支持，推动了电路拓扑设计、尺寸优化和布局生成等领域的发展。

当前挑战

AMSnet 2.0的构建面临多重挑战。首先，在领域问题方面，电路图的复杂性和噪声干扰（如覆盖标记或部分高亮）使得传统的基于硬编码启发式的方法难以准确识别网络连接，导致生成的网表错误率较高。其次，在数据构建过程中，手动标注电路元件和网络连接不仅耗时且容易出错，而现有的图像处理方法（如模板匹配和霍夫变换）对图像质量要求苛刻，难以处理复杂或噪声干扰的电路图。此外，如何有效区分电路图中的导线与其他标记（如注释框）也是一个技术难点。为应对这些挑战，研究团队提出了基于深度学习的分割方法，通过上下文信息准确识别导线，并结合数据增强技术提升模型的鲁棒性。

常用场景

经典使用场景

在模拟与混合信号（AMS）电路设计领域，AMSnet 2.0数据集通过提供高质量的电路原理图、网表及其位置信息，成为训练多模态大语言模型（MLLMs）理解电路拓扑结构的核心资源。其经典使用场景包括支持MLLMs进行电路原理图的自动解析与网表生成，显著提升了模型在复杂电路识别中的准确性与鲁棒性。

衍生相关工作

基于该数据集衍生的经典工作包括LaMAGIC等MLLM驱动的电路拓扑生成框架，以及Auto-SPICE等网表自动提取系统。这些成果通过复用AMSnet 2.0的多模态对齐特性，开创了知识图谱增强检索（如AMSnet-KG）与电路理解大模型微调（如LayoutCopilot）的新研究方向。

数据集最近研究

最新研究方向

在模拟与混合信号（AMS）电路设计领域，AMSnet 2.0数据集的推出标志着多模态电路数据标注技术的重大突破。该数据集通过融合深度学习驱动的实例分割技术，实现了从复杂电路图到网表的鲁棒性解析，解决了传统基于硬编码启发式方法的局限性。当前研究热点聚焦于利用该数据集训练多模态大语言模型（MLLMs），以提升其对电路拓扑结构的理解能力，并探索从网表自动生成可编辑原理图的新范式。这一进展为AI驱动的自动化电路设计工具链开发提供了关键数据支撑，尤其在解决噪声图像处理、交叉线网识别等工业级挑战方面展现出显著优势。

相关研究论文

• AMSnet 2.0: A Large AMS Database with AI Segmentation for Net Detection

  宁波数字孪生研究院，东方理工大学，宁波，中国; 加利福尼亚大学洛杉矶分校，美国; 清华大学，北京，中国 · 2025年