AnalogRetriever：学习用于模拟电路检索的跨模态表征

模拟电路设计高度依赖对现有 intellectual property（IP）的复用，但在 SPICE netlist、schematic 和功能描述等异构表示之间进行搜索仍然很有挑战。现有方法大多局限于单一模态内的精确匹配，无法捕捉跨模态的语义关系。为弥合这一差距，我们提出 AnalogRetriever，一个用于模拟电路搜索的统一三模态检索框架。我们首先基于 Masala-CHAI 构建了一个高质量数据集，通过两阶段修复 pipeline 将 netlist 编译率从 22% 提升到 100%。

在此基础上，AnalogRetriever 使用 vision-language model 对 schematic 和描述进行编码，并使用 port-aware relational graph convolutional network 对 netlist 进行编码，通过 curriculum contrastive learning 将三种模态映射到共享的 embedding 空间。实验表明，AnalogRetriever 在全部六个跨模态检索方向上的平均 Recall@1 达到 75.2%，显著优于现有 baseline。将其作为 retrieval-augmented generation 模块集成到 AnalogCoder agentic 框架中后，它持续提升功能通过率，并使此前无法解决的任务得以完成。我们的代码和数据集将会发布。