引言
人工智能的快速发展引发了工程领域各学科的广泛关注。在模拟集成线路设计领域，一个关键问题浮现出来：AI工具能否有效协助甚至替代人类设计师进行模拟线路的分析和创建？Behzad Razavi发表在IEEE固态线路杂志上的实验研究，通过系统性评估ChatGPT在处理本科水平模拟线路问题时的表现，为这个问题提供了宝贵的见解[1]。
建立评估框架
这项实验采用了类似评估任何受训者能力的逻辑方法。在确定AI是否能对模拟设计做出有意义的贡献之前，必须首先了解当前的知识基础和概念理解能力。研究特别关注评估ChatGPT在理解深度上是否超越了从在线资源中轻易获取的内容。每个测试都假设从完成电气工程学士学位并修过模拟线路课程的学生角度出发，现在向ChatGPT寻求协助。
为确保评估的客观性和一致性，每个回答获得0到4分之间的评分。需要注意的是，在测试过程中不向ChatGPT提供任何反馈，以避免影响后续的回答。评估集中在仅包含一个或两个晶体管的线路上，所有MOS器件默认假设遵循平方律行为。
理解界面限制
实验的性质受到ChatGPT界面能力的约束。问题可以以文本或图像形式提交，每种方法都提供不同的优势和局限性。基于文本的查询限制了线路描述的复杂性，在详细分析和设计任务上提供的帮助有限。基于图像的输入被证明更加灵活，成为整个研究中的主要方法，允许呈现更复杂的线路拓扑。
输出界面也呈现出一系列挑战。虽然ChatGPT可以提供文本响应和方程式，并且可以基于假设的元件值绘制某些参数，但无法生成易读的线路原理图。也许最重要的是，ChatGPT承认无法执行线路仿真，这对于培养设计直觉、优化线路性能以及处理复杂设计场景构成了重大障碍。
基本概念和器件行为
评估从关于MOSFET行为的基本问题开始。当被问及将MOSFET的长度和宽度都加倍对其本征增益的影响时，ChatGPT正确推理出本征增益（定义为跨导与输出电阻的乘积）会翻倍。这假设过驱动电压保持恒定，此时漏极电流和跨导保持不变，而输出电阻由于沟道长度增加而翻倍。这个回答获得了满分4分。
然而，后续问题揭示了ChatGPT理解上的不一致性。当提出关于跨导如何随过驱动电压变化的问题时，ChatGPT的回答包含一个关键错误。首先声称在固定的过驱动电压下，更大的过驱动电压产生更大的跨导，这代表了逻辑上的矛盾。正确的理解应该认识到，如果宽长比保持固定，增加过驱动电压会产生更大的跨导。这个回答只获得了2分。
AI工具成功确认了PMOS和NMOS器件的小信号模型确实相同，获得了另一个满分。这表明ChatGPT可以处理关于器件建模的直接概念性问题。
单晶体管线路分析
评估继续检验ChatGPT分析简单单晶体管线路的能力。当被要求描绘基本MOSFET线路中电流与电压的关系时，ChatGPT正确识别出当栅源电压低于阈值电压时，电流基本保持为零，而当电压高于阈值时，电流随施加电压呈二次方上升。这个回答在原始研究的图1中显示，展示了对基本MOSFET工作原理的正确理解，获得了满分。
图1：一个简单的MOSFET线路，ChatGPT正确预测了阈值电压以上的二次电流-电压关系。
涉及MOSFET串联电压源的稍微复杂的变体也引出了正确的回答。ChatGPT准确描述了电流如何在一个区域呈二次方上升，在另一个区域过渡到线性关系，如图2所示。这继续展示了对基本器件特性的理解能力。
图2：带有串联电压源的MOSFET线路，ChatGPT正确识别了从二次到线性行为的转变。
然而，当被问及二极管连接器件是否可以充当电流源时，ChatGPT犯了两个重大错误。首先，未能认识到这种配置呈现低阻抗而非良好电流源所需的高阻抗。其次，错误地将PMOS器件识别为NMOS晶体管，如图3所示。尽管正确命名该结构为二极管连接MOSFET，ChatGPT却自相矛盾地声称构成了良好的电流源。这个回答获得了0分。
图3：一个二极管连接的PMOS器件，ChatGPT错误地识别为NMOS晶体管，并错误描述为良好的电流源。
PMOS和NMOS器件之间的混淆在后续问题中持续存在。在分析带有源极退化电阻的共源放大器（图4所示）时，ChatGPT再次将PMOS晶体管误识别为NMOS器件，尽管提供了正确的电压增益表达式。这只获得了1分。
图4：带有源极退化的PMOS共源放大器，ChatGPT误识别为使用NMOS器件。
相比之下，ChatGPT正确识别并分析了源极跟随器配置（图5所示），提供了准确的电压增益表达式。这获得了满分，表明AI工具在正确定向时可以处理标准教科书配置。
图5：ChatGPT正确识别和分析的源极跟随器线路，给出了适当的增益表达式。
揭示概念性差距
当线路稍微偏离标准配置时，出现了更令人不安的模式。当呈现应被识别为共栅放大器的线路（图6所示）时，ChatGPT错误地称其为共源放大器，并且奇怪地声称输入施加到栅极，尽管栅极明显偏置在固定电压上。这个基本误识别获得了0分。
图6：ChatGPT错误识别为共源放大器的共栅配置。
类似地，在图7中，虽然ChatGPT正确识别了拓扑为共栅放大器，但未能注意到源极端直接连接到地，使得所谓的输入电容变得无关紧要。这个疏忽只获得了1分。
图7：ChatGPT忽略了源极与地之间直接连接的共栅放大器。
在分析线路频率响应时，ChatGPT正确确定具有两个独立储能元件的线路会有两个极点，如图8所示。然而，将能量存储归因于节点而非电容器件，代表了不精确的技术语言。这个回答获得了3分。
图8：带有寄生电容的共源放大器，ChatGPT正确预测了两个极点但使用了不精确的术语。
ChatGPT展示了一些识别反馈拓扑的能力。在图9的线路中，正确识别了通过电阻分压网络存在的负反馈，尽管错误地认为MOSFET的源极接地。这获得了3分。
图9：ChatGPT正确识别负反馈但误解源极连接的反馈放大器配置。
双晶体管线路的挑战
评估揭示，ChatGPT在分析双晶体管线路时性能显著下降。当呈现应被识别为源极跟随器的线路（图10所示）时，ChatGPT错误地将其识别为带有有源负载的共源放大器。这个基本误识别表明缺乏对线路拓扑的直觉，特别是未能认识到此配置中的两个NMOS晶体管不能形成带有有源负载的共源级。这个回答获得了0分。
图10：ChatGPT错误识别为带有有源负载的共源放大器的源极跟随器配置。
有趣的是，ChatGPT正确识别了图11(a)中的经典CMOS反相器拓扑，表明在标准配置中可以识别NMOS和PMOS符号。然而，当呈现图11(b)中晶体管连接不同的修改版本时，ChatGPT仍然称其为CMOS反相器，尽管拓扑不同。这揭示了ChatGPT可能基于看到两种晶体管类型且栅极连接在一起进行模式匹配，而不是真正理解线路工作原理。
图11：两个线路，其中(a)显示ChatGPT正确识别的CMOS反相器，而(b)显示ChatGPT错误称为反相器的非标准配置。
ChatGPT正确分析了带有二极管连接负载的共源级（图12所示），提供了准确的增益表达式，尽管对一个晶体管包含沟道长度调制效应但对另一个不包含，这有些不一致。这获得了3分。
图12：ChatGPT正确识别的带有二极管连接负载的共源放大器，尽管分析中存在小的不一致。
然而，图13中的线路完全困扰了ChatGPT。错误地将两个晶体管都识别为NMOS器件，并完全误解了线路拓扑。这种布置实际上代表了堆叠配置，在晶体管相同的情况下，其行为等效于具有两倍沟道长度的单个晶体管。这种类型的结构在FinFET技术中常用，当需要更长的有效沟道长度时。ChatGPT的完全误解获得了0分。
图13：ChatGPT完全误解的堆叠晶体管配置，错误识别了两个器件和拓扑。
对共源共栅结构的评估揭示了特别严重的概念差距。在图14中，ChatGPT将PMOS共源共栅误识别为NMOS共源共栅，并错误确定了哪个晶体管充当共源共栅器件。似乎基于原理图中的物理位置而非线路功能进行识别，假设上方的晶体管必须是共源共栅器件。输出电阻表达式反映了同样的基本错误，获得了0分。
图14：ChatGPT错误识别为NMOS共源共栅且器件角色分配错误的PMOS共源共栅结构。
当被问及如何确保图14中的M2处于饱和状态时，ChatGPT现在至少将M2识别为PMOS器件，与前一个问题形成对比。然而，未能认识到VX主要由Vb1控制，即Vb1必须小于VGS2 - VTH2 + VGS1。这个回答获得了1分。
在图15显示的线路分析中，ChatGPT将其识别为带有有源负载的共源放大器。奇怪地将M2视为PMOS器件。即使接受这一点，该拓扑也不符合带有有源负载的共源级的资格。这个回答获得了0分。
图15：ChatGPT错误识别M2为PMOS器件的线路。
当被问及图16中的线路是否为共源共栅结构时，ChatGPT回答是肯定的，并提供了输出电阻表达式。然而，答案是错误的。晶体管M1充当源极跟随器而非共源级。输出电阻应等于(1 + gm2rO2)/gm1rO2。这获得了0分。
图16：ChatGPT错误认为是共源共栅结构的线路。
当被要求解释为什么米勒效应在共源共栅中不那么明显时，ChatGPT部分正确。解释说在共源共栅中，将共栅器件(M2)堆叠在共源器件(M1)之上，M1的漏极被M2"钳位"，使M1漏极的电压保持相对恒定。因此Cgd1两端的有效增益非常小。ChatGPT部分正确。Cgd1两端的有效增益约为-2，因此并不是很小。这获得了3分。
在图17显示的线路分析中，ChatGPT识别M1为PMOS，M2为NMOS，其栅极接收Vin。称这是带有有源负载的共源放大器。答案是错误的。不清楚为什么ChatGPT认为Vin施加到M2的栅极。这获得了0分。
图17：ChatGPT称为共源放大器的线路。
当被问及图18中的线路有多少个极点时，ChatGPT回答两个极点，因为有两个独立的储能节点。输出节点包含CGS2（到M2的交流接地栅极）等。极点数量是正确的。然而，CGS2不出现在输出节点。这获得了3分。
图18：ChatGPT正确预测线路中的极点数量但认为CGS2连接到输出的线路。
在图19显示的线路分析中，ChatGPT提供了两个响应。响应1：这是带有电阻负载的两个NMOS串联晶体管。这是差分式共源共栅，有时称为增益提升级。响应2：M2是二极管连接的NMOS。这是经典NMOS差分放大器的"半线路"。两个答案都是错误的，表明极度混乱。如果M1和M2相同，这个结构等效于具有两倍沟道长度的单个晶体管。这获得了0分。
图19：ChatGPT称为差分式共源共栅或增益提升级的拓扑。
在图20的线路分析中，ChatGPT识别M1为NMOS，其栅极由Vin驱动，M2为用作有源负载/电流镜晶体管的NMOS。称这是带有NMOS共源共栅的共源放大器。答案是错误的且不一致。这种布置可以视为源极跟随器M1驱动共栅级M2。这获得了0分。
图20：ChatGPT称为带有NMOS共源共栅的共源放大器的布置。
当被要求解释为什么图21中显示的线路的输出阻抗可能是感性的时，ChatGPT称这是在输入处具有源极退化的共源共栅线路。查看M2的漏极，Zout ≈ gm1RS/(CGS1)。M1的栅源电容与RS的组合产生相移。在被共源共栅晶体管M2"缓冲"之后，这种组合模拟了电感器。答案大部分是错误的。直觉是Zout在非常低的频率下等于1/gm1，在非常高的频率下等于RS（因为CGS1短路栅极和源极）。这获得了2分。
图21：ChatGPT称为带有源极退化的共源共栅线路的结构。
在图22显示的线路分析中，ChatGPT识别M1为NMOS共源级，M2为NMOS二极管连接（其栅极和漏极在X处短路）。输入是电流源。ChatGPT未能认识到M2的栅极连接到输出。因此，忽略了线路周围的（正）反馈回路。这获得了1分。
图22：ChatGPT认为M2是二极管连接器件的线路。
在图23的线路分析中，ChatGPT识别M1为NMOS，栅极在X；M2为NMOS，栅极偏置在恒定Vb；RF为反馈电阻。M1将源极电压转换为漏极电流。M2是具有固定栅极偏置Vb的共源放大器。ChatGPT对M1和M2的连接感到困惑。"M2是具有固定栅极电压的共源放大器"的陈述是自相矛盾的。这获得了2分。
图23：ChatGPT认为M1的栅极连接到X的线路。
在图24显示的线路分析中，ChatGPT识别M1为NMOS，充当共源共栅晶体管。M2为NMOS，栅极连接到输入，作为放大器件工作。答案是错误的。而且，ChatGPT未能看到反馈回路。这获得了0分。
图24：ChatGPT错误识别M1为NMOS器件的线路。
性能总结和影响
在全部30个问题中，ChatGPT累积获得49分（满分120分），总体性能为41%。这个分数远低于完成线路课程的本科生的可接受标准。评估揭示了ChatGPT性能中的几个令人担忧的模式。
AI工具在单晶体管线路上的表现优于双晶体管拓扑，表明在理解多个器件之间的交互方面存在困难。更重要的是，ChatGPT表现出不一致和有缺陷的概念理解，特别是当线路偏离标准教科书配置时。在PMOS和NMOS器件之间持续混淆，无法正确识别线路拓扑，以及未能识别反馈回路，所有这些都表明ChatGPT缺乏模拟线路设计所需的深层概念理解。
这些结果表明，虽然AI工具可能在与训练示例紧密匹配的常规线路分析任务中提供帮助，但目前无法替代训练有素的模拟设计师的概念理解、直觉和分析技能。无法执行线路仿真，加上不可靠的线路识别和分析，意味着设计师必须仔细验证任何AI生成的分析。随着模拟设计领域继续发展出越来越复杂和新颖的线路拓扑，对人类专业知识和创造性问题解决的需求仍然占据主导地位。AI的未来发展可能会解决其中一些限制，但技术的当前状态清楚地表明，人工智能最好作为辅助工具而非熟练模拟线路设计师的替代品。
参考文献
[1] B. Razavi, "Analog design experiments with AI—Part 1 [The Analog Mind]," IEEE Solid-State Circuits Mag., vol. 17, no. 4, pp. 11–15, Fall 2025, doi: 10.1109/MSSC.2025.3611213.
END
点击左下角"阅读原文"马上申请
欢迎转载
转载请注明出处，请勿修改内容和删除作者信息！
关注我们
关于我们：
天府逍遥（成都）科技有限公司（Latitude Design Automation Inc.）是一家专注于半导体芯片设计自动化（EDA）的高科技软件公司。我们自主开发特色工艺芯片设计和仿真软件，提供成熟的设计解决方案如PIC Studio、MEMS Studio和Meta Studio，分别针对光电芯片、微机电系统、超透镜的设计与仿真。我们提供特色工艺的半导体芯片集成电路版图、IP和PDK工程服务，广泛服务于光通讯、光计算、光量子通信和微纳光子器件领域的头部客户。逍遥科技与国内外晶圆代工厂及硅光/MEMS中试线合作，推动特色工艺半导体产业链发展，致力于为客户提供前沿技术与服务。
http://www.latitudeda.com/
（点击上方名片关注我们，发现更多精彩内容）