PICasso：LLM 驱动的硅光器件自动设计框架

硅光集成电路（PIC）设计高度依赖专业工具与人工经验，长期面临流程碎片化、迭代周期长的问题。arXiv 最新论文提出名为 PICasso 的 AI 辅助设计框架，将大语言模型引入 PIC 自动化流程，并在统一基准上对多个主流 LLM 进行了系统评测，展示了 LLM 在物理级硬件设计任务中的实际潜力。

核心思路：结构化生成 + 仿真反馈

PICasso 不是一个让 LLM「自由发挥」的设计代理，而是一条严格结构化的管线。其工作流大致为：

• 自然语言规格 → YAML 中间表示 → GDS 版图输出
• 全程注入 PDK（工艺设计套件）相关领域知识
• 自动执行布局布线（Place & Route）
• 集成 DRC / LVS 物理验证与基于 SAX 的光子学仿真

这种设计把「LLM 写代码」的脆弱环节限制在高层语义转换上，而把版图合规性与物理正确性交给传统 EDA 流程兜底，再用仿真结果反向引导迭代。

配套基准 PIC-Set

为了系统评估 AI 驱动光子设计能力，作者同时发布了 PIC-Set：一个包含 36 个参数化 PIC 设计任务的基准，覆盖：

• 基础光子元件（波导、耦合器等）
• 多元件组合电路

每个任务均提供统一的评测协议，并引入多项新指标，包括结构与功能 Spec@k、优化效率以及扰动下的鲁棒性，为后续研究提供了可复现的对比基础。

关键实验结果

论文在 PIC-Set 上对多个 SOTA LLM 进行了统一评测，主要发现包括：

• 在高复杂度电路上，结构 Spec@3 最高达到 92.7%，功能 Spec@3 最高达到 52%
• 相较于 LLM 直接生成，PICasso 显著提升端到端规格满足率
• 在仿真引导的优化下，电路平均插入损耗由 4.98 dB 降至 3.25 dB（改善 1.74 dB）
• 生成版图在运行时间上与人工 GUI 流程具备竞争力

意义与局限

论文传递的核心观点是：在结构化领域约束、物理验证与仿真反馈三者结合下，LLM 可以从「脆弱的网表生成器」转变为能够产出可制造版图的 PIC 设计代理。不过，作者评测对象集中在电路级生成质量，对器件物理参数、工艺漂移等更细颗粒度问题的讨论仍较为有限，且实验仅覆盖有限几款 LLM，未给出跨厂商横向比较的完整结论。