AutoVSR : un cadre IA qui relie les schémas de circuits aux expressions symboliques avec une approche de vérification prioritaire

Le défi du raisonnement visuel-symbolique dans la conception de circuits

Les circuits intégrés sont partout : traitement du signal, gestion de l'alimentation, vous l'appelez. Les ingénieurs utilisent l'analyse symbolique pour déterminer comment un circuit se comportera avant même de le construire. La première étape consiste à transformer une image de schéma en quelque chose qu'un ordinateur peut traiter : une fonction de transfert ou une autre expression symbolique. Cela signifie que le système doit reconnaître les composants et leurs connexions à partir de l'image, puis effectuer correctement plusieurs étapes d'algèbre. Jusqu'à présent, c'était un travail manuel, et les erreurs étaient courantes.

Les grands modèles de langage multimodaux ont ouvert de nouvelles possibilités pour les tâches de circuits, mais la plupart des travaux jusqu'à présent se sont concentrés sur la récupération de listes de connexions ou l'optimisation de paramètres, et non sur la génération d'expressions symboliques à partir de schémas. Un système appelé CircuitSense a tenté cela en utilisant le raisonnement en chaîne de pensée, mais il n'avait aucun moyen de vérifier son travail intermédiaire. Les erreurs s'accumulaient, et la précision sur les circuits complexes était faible.

AutoVSR : une architecture structurée avec rétroaction de vérification

AutoVSR, décrit dans une prépublication récente et soumis à ICML, adopte une approche différente. Il divise le problème en deux étapes. D'abord, au lieu de demander à un modèle de raisonner directement des pixels à l'algèbre, il reconstruit le schéma en quelque chose appelé une représentation intermédiaire exécutable. Pour les circuits au niveau des composants, cela signifie une liste de connexions de type SPICE ; pour les diagrammes de blocs au niveau système, c'est un graphe de flux de signal structuré en JSON. Ce n'est pas seulement une description en mots, c'est un objet lisible par machine qu'un solveur symbolique peut exécuter et analyser.

Pour s'assurer que la représentation intermédiaire est correcte, AutoVSR utilise une boucle de rétroaction de vérification. Un routeur de tâches sélectionne le bon type d'IR, puis un module de vision trouve les composants et n'inclut que les règles syntaxiques pertinentes, sans encombrement supplémentaire. Un pipeline de validation en quatre étapes suit : analyse syntaxique statique, vérifications des spécifications d'entrée/sortie, vérification de la solvabilité structurelle dynamique (vérification des nœuds flottants ou des sources court-circuitées) et évaluation de la quantité symbolique (tentative de dériver l'expression cible). Si le système trouve des erreurs, jusqu'à trois cycles de correction sont autorisés, il renvoie une rétroaction structurée au VLM pour régénérer l'IR. Cette vérification en deux étapes empêche les erreurs locales de se transformer en échecs de raisonnement globaux.

Découpler la planification de l'exécution

La deuxième étape utilise un agent de raisonnement symbolique planifier-et-exécuter. Au lieu de faire effectuer au VLM des étapes d'algèbre multiples, ce que les LLM ne font pas bien, le système confie la construction d'équations et le calcul à 28 API symboliques déterministes basées sur Lcapy et SymPy, avec la formule de gain de Mason pour le flux de signal. Le LLM décompose l'objectif d'analyse en étapes atomiques, puis pilote une boucle action-observation où chaque appel d'outil renvoie des résultats intermédiaires structurés et vérifiables. Une limite stricte de 20 étapes empêche les boucles infinies.

Ce découplage est crucial, écrivent les auteurs dans l'article. En s'appuyant sur des solveurs déterministes, AutoVSR atténue l'accumulation d'erreurs et produit un raisonnement cohérent avec les règles avec des résultats intermédiaires transparents.

Benchmark et résultats : surpasser à la fois les VLM et les méthodes spécialisées

Les chercheurs ont testé AutoVSR sur un benchmark filtré de 5 020 échantillons de CircuitSense, couvrant cinq types de circuits : réseaux résistifs purs (Type 1, 1 146 échantillons), circuits RLC (Type 2, 2 671), modèles petit signal (Type 3, 464), circuits au niveau module (Type 4, 511) et diagrammes de blocs au niveau système (Type 5, 228). La tâche : générer des expressions de fonction de transfert correctes, ce qui signifie que la sortie symbolique doit être équivalente, vérifiée par SymPy et une solution de repli numérique.

Face à sept VLM de bout en bout, y compris Gemini-3-Flash, GPT-5-mini, Claude-Haiku-4.5, Qwen3-VL-Plus, Llama-4-17B-128E et GLM-4.6V-Flash, AutoVSR a amélioré la précision de 30 à 59 points de pourcentage dans l'ensemble. Sur les circuits simples de type 1 et type 2, les gains étaient particulièrement marqués : 66 % et 64 % en moyenne sur les modèles. Sur le flux de signal au niveau système de type 5 avec des boucles de rétroaction imbriquées, la précision est passée de 11,8 % à 41,7 %, soit un gain de près de 30 points de pourcentage.

Comparé à CircuitSense, la seule autre méthode spécialisée existante, AutoVSR a amélioré la précision de génération de fonctions de transfert de 42 à 52 points de pourcentage selon les modèles. Sur la tâche plus difficile de l'expression de réponse transitoire, le raisonnement dans le domaine temporel, AutoVSR a augmenté la précision de 3,1 % à 85,8 % avec Gemini-3-Flash, et de 1 % à 63,3 % avec GLM-4.6V-Flash. Il s'agit respectivement d'un gain absolu de 83 et 62 points de pourcentage.

Ablation et efficacité : chaque module compte

Les études d'ablation ont confirmé que chaque composant est important : le routeur de tâches, la détection de composants, la bibliothèque de règles, le flux de vérification, le module de planification et la bibliothèque d'outils. Supprimez un seul module et les performances chutent. La pièce la plus critique était la bibliothèque d'outils : sans elle, la précision sur Gemini-3-Flash est passée de 82,9 % à 20,5 %.

Des tests d'efficacité pratiques sur 100 cas représentatifs ont montré qu'AutoVSR avec un backend léger comme Gemini-3-Flash atteignait 89,3 % de précision en utilisant seulement 4 563 jetons et 17 secondes de temps d'exécution. Cela surpasse les modèles de pointe comme GPT-5 (45,6 % de précision, 7 152 jetons, 148 secondes) et Claude-Sonnet-4.5 (26,2 % de précision, 7 033 jetons, 89,5 secondes).

Implications pour l'ingénierie assistée par IA

AutoVSR montre une voie au-delà du raisonnement en boîte noire pour les domaines techniques qui nécessitent exactitude et interprétabilité. En imposant une étape intermédiaire vérifiable et en déléguant le calcul symbolique à des outils déterministes, le cadre transforme un VLM faillible en un agent de raisonnement fiable, même avec des backends petits et open source. L'approche est indépendante de la tâche dans sa première étape : l'IR exécutable donne une représentation structurelle qu'un solveur peut réutiliser pour différents objectifs d'analyse.

L'article reconnaît certaines limites. Le cadre actuel ne fonctionne qu'avec des topologies de circuits statiques, il ne peut pas gérer les changements dynamiques ou les éléments non linéaires. Les travaux futurs pourraient s'étendre aux circuits mixtes et aux réseaux de rétroaction plus complexes. Néanmoins, pour le travail étroit mais critique de conversion de schémas de circuits en expressions symboliques, AutoVSR est un pas solide vers une conception pratique assistée par IA.