아날로그 및 믹스-신호 (AMS) 회로 설계는 여전히 전문가 지식을 크게 의존합니다. 최근 AI 기반 자동화 도구는 후보 토폴로지 (topology) 를 생성할 수 있지만, 기능적 및 성능 라벨링이 포함된 수동으로 정제된 데이터셋에 대한 의존도가 매우 높습니다 -- 이는 현재 대규모 언어 모델 (LLMs) 과 컴퓨터 비전 모델이 자동화할 수 없는 요구사항입니다. 기존 접근법에서는 여전히 도메인 전문가가 회로 기능을 수동으로 해석해야 합니다. 우리는 AMSnet-q 를 제시합니다. 이 방법은 완전한 자동화 및 무감독 파이프라인으로, 스키매틱 이미지 (schematic images) 를 직접 라벨링된 AMS 회로 데이터베이스로 변환하여 인-더-루프 (human-in-the-loop) 라벨링을 제거합니다. 이전 작업이 네트리스트 추출 (netlist extraction) 에 그쳤다면, 우리의 프레임워크는 완전한 검증 루프를 자동화합니다: 스키매틱에서 네트리스트 변환, 토폴로지 인식 테스트벤치 생성, 그리고 시뮬레이션 기반 사이즈링 유효성 검증을 수행하여 회로 기능을 객관적으로 결정합니다. 28 nm 기술에서 검증된 AMSnet-q 는 AMSnet 1.0 데이터셋의 739 개 스키매틱을 처리하고, 4 개의 회로 클래스 (circuit classes), 105 개의 구별된 토폴로지 (topologies), 그리고 89,789 개의 라벨링된 장치 구성 (labeled device configurations) 을 자동으로 구축했습니다. 인력 노력을 데이터셋 규모와 분리하고, 각 회로 클래스당 일회성 테스트벤치 템플릿으로 작업 부하를 줄임으로써, AMSnet-q 는 확장 가능하고 객관적인 완전 자동화 AMS 데이터베이스 구축을 가능하게 합니다.