AutoVSR: un marco de IA que integra esquemas de circuitos con expresiones simbólicas mediante verificación prioritaria

El desafío del razonamiento visual a simbólico en el diseño de circuitos

Los circuitos integrados están en todas partes: procesamiento de señales, gestión de energía, lo que sea. Los ingenieros utilizan el análisis simbólico para determinar cómo se comportará un circuito antes de construirlo. El primer paso es convertir una imagen esquemática en algo que una computadora pueda procesar: una función de transferencia u otra expresión simbólica. Eso significa que el sistema debe reconocer los componentes y sus conexiones a partir de la imagen y luego realizar varios pasos de álgebra correctamente. Hasta ahora, esa era una tarea manual y los errores eran comunes.

Los modelos de lenguaje multimodal de gran tamaño han abierto nuevas posibilidades para las tareas de circuitos, pero la mayor parte del trabajo hasta ahora se ha centrado en recuperar netlists u optimizar parámetros, no en generar expresiones simbólicas a partir de esquemas. Un sistema llamado CircuitSense intentó esto usando prompting de cadena de pensamiento, pero no tenía forma de verificar su trabajo intermedio. Los errores se acumularon y la precisión en circuitos complejos fue baja.

AutoVSR: una arquitectura estructurada con retroalimentación de verificación

AutoVSR, descrito en un preprint reciente y enviado a ICML, adopta un enfoque diferente. Divide el problema en dos etapas. Primero, en lugar de pedirle a un modelo que razone directamente desde los píxeles al álgebra, reconstruye el esquema en algo llamado representación intermedia ejecutable. Para circuitos a nivel de componentes, eso significa una netlist similar a SPICE; para diagramas de bloques a nivel de sistema, es un gráfico de flujo de señal estructurado en JSON. Esto no es solo una descripción en palabras, es un objeto legible por máquina que un solucionador simbólico puede ejecutar y analizar.

Para asegurarse de que la representación intermedia sea correcta, AutoVSR utiliza un bucle de retroalimentación de verificación. Un enrutador de tareas selecciona el tipo correcto de IR, luego un módulo de visión encuentra los componentes y extrae solo las reglas de sintaxis relevantes, sin desorden adicional. A continuación, sigue una canalización de validación de cuatro etapas: análisis de sintaxis estática, comprobaciones de especificaciones de entrada/salida, solucionabilidad estructural dinámica (verificación de nodos flotantes o fuentes en cortocircuito) y evaluación de cantidades simbólicas (intento de derivar la expresión objetivo). Si el sistema encuentra errores, se permiten hasta tres rondas de corrección: envía retroalimentación estructurada al VLM para regenerar la IR. Esta verificación en dos etapas evita que los errores locales de reconocimiento se conviertan en fallos globales de razonamiento.

Separación de la planificación de la ejecución

La segunda etapa utiliza un agente de razonamiento simbólico de planificar y ejecutar. En lugar de hacer que el VLM realice álgebra de varios pasos, en lo que los LLM no son buenos, el sistema entrega la construcción de ecuaciones y el cálculo a 28 API simbólicas deterministas basadas en Lcapy y SymPy, con la Fórmula de Ganancia de Mason para flujo de señal. El LLM descompone el objetivo de análisis en pasos atómicos y luego impulsa un bucle de acción-observación donde cada llamada de herramienta devuelve resultados intermedios estructurados y verificables. Un límite estricto de 20 pasos evita bucles infinitos.

Esta separación es crucial, escriben los autores en el artículo. Al confiar en solucionadores deterministas, AutoVSR mitiga la acumulación de errores y produce un razonamiento consistente con reglas con resultados intermedios transparentes.

Benchmark y resultados: superando tanto a VLM como a métodos especializados

Los investigadores probaron AutoVSR en un benchmark filtrado de 5,020 muestras de CircuitSense, que cubren cinco tipos de circuitos: redes puramente resistivas (Tipo 1, 1,146 muestras), circuitos RLC (Tipo 2, 2,671), modelos de pequeña señal (Tipo 3, 464), circuitos a nivel de módulo (Tipo 4, 511) y diagramas de bloques a nivel de sistema (Tipo 5, 228). La tarea: generar expresiones de función de transferencia correctas, lo que significa que la salida simbólica debe ser equivalente, verificada por SymPy y un respaldo numérico.

En comparación con siete VLM de extremo a extremo, incluyendo Gemini-3-Flash, GPT-5-mini, Claude-Haiku-4.5, Qwen3-VL-Plus, Llama-4-17B-128E y GLM-4.6V-Flash, AutoVSR mejoró la precisión en 30 a 59 puntos porcentuales en general. En los circuitos simples de Tipo 1 y Tipo 2, las ganancias fueron particularmente marcadas: 66% y 64% en promedio entre modelos. En el flujo de señal a nivel de sistema de Tipo 5 con bucles de retroalimentación anidados, la precisión saltó del 11.8% al 41.7%, una ganancia de casi 30 puntos porcentuales.

En comparación con CircuitSense, el único otro método especializado existente, AutoVSR mejoró la precisión de generación de funciones de transferencia en 42 a 52 puntos porcentuales entre modelos. En la tarea más difícil de expresión de respuesta transitoria, razonamiento en el dominio del tiempo, AutoVSR elevó la precisión del 3.1% al 85.8% con Gemini-3-Flash, y del 1% al 63.3% con GLM-4.6V-Flash. Eso es una ganancia absoluta de 83 y 62 puntos porcentuales, respectivamente.

Ablación y eficiencia: cada módulo cuenta

Los estudios de ablación confirmaron que cada componente importa: el enrutador de tareas, la detección de componentes, la biblioteca de reglas, el flujo de verificación, el módulo de planificación y la biblioteca de herramientas. Elimina cualquier módulo y el rendimiento cae. La pieza más crítica fue la biblioteca de herramientas: sin ella, la precisión en Gemini-3-Flash cayó del 82.9% al 20.5%.

Las pruebas de eficiencia práctica en 100 casos representativos mostraron que AutoVSR con un backend ligero como Gemini-3-Flash logró un 89.3% de precisión utilizando solo 4,563 tokens y 17 segundos de tiempo de ejecución. Eso supera a modelos de vanguardia como GPT-5 (45.6% de precisión, 7,152 tokens, 148 segundos) y Claude-Sonnet-4.5 (26.2% de precisión, 7,033 tokens, 89.5 segundos).

Implicaciones para la ingeniería asistida por IA

AutoVSR muestra un camino más allá del razonamiento de caja negra para dominios técnicos que necesitan corrección e interpretabilidad. Al forzar un paso intermedio verificable y delegar el cálculo simbólico a herramientas deterministas, el marco convierte un VLM falible en un agente de razonamiento confiable, incluso con backbones pequeños y de código abierto. El enfoque es independiente de la tarea en su primera etapa: el IR ejecutable proporciona una representación estructural que un solucionador puede reutilizar para diferentes objetivos analíticos.

El artículo reconoce algunas limitaciones. El marco actual solo funciona con topologías de circuito estáticas; no puede manejar cambios dinámicos ni elementos no lineales. El trabajo futuro puede extenderse a circuitos de señal mixta y redes de retroalimentación más complejas. Aun así, para la tarea específica pero crítica de convertir diagramas de circuitos en expresiones simbólicas, AutoVSR es un paso sólido hacia un diseño práctico asistido por IA.