基于类人推理的白盒运算放大器设计

本文提出 White-Op，一种基于大语言模型智能体类人推理的可解释运算放大器参数设计框架。我们将隐含的人类推理机制形式化为“引入假设约束”的显式步骤，并开发了迭代的“假设 - 验证 - 决策”工作流。智能体被引导引入假设约束以推导和调节符号可处理的极点与零点位置，从而构建闭式数学优化问题，经程序求解与仿真验证。理论 - 仿真结果分析指导细化决策。实验表明，相比在五种拓扑中失败的不可解释黑盒基线，White-Op 实现了可靠且可解释的行为级设计，理论预测误差仅 8.52%，且所有拓扑在晶体管级映射后仍保持功能。