설계 자동화는 아날로그 집적 회로 (IC) 설계의 효율성을 크게 향상시킬 잠재력을 가지고 있습니다. 그러나 기존 알고리즘과 도구는 일반적으로 장치 크기 결정, 배치 또는 라우팅과 같은 개별 단계에 초점을 맞추며, 전체 설계 흐름을 완료하기 위해 여전히 상당한 수동 개입이 필요합니다. 대규모 언어 모델 (LLMs) 이 최근 디지털 IC 설계 워크플로우 자동화에서 놀라운 성공을 거두었지만, 이러한 발전은 아날로그 IC 설계로 직접 전이될 수 없습니다. 주요 과제는 강하게 결합된 성능 지표, 비정형 회로도 이미지 우세, 그리고 대부분의 기존 접근법이 아날로그 설계 프로세스의 고립된 단계만을 다루어 엔드투엔드 성능 영향을 포착하는 능력이 제한적이라는 사실입니다. 이러한 과제를 해결하기 위해 우리는 회로 이미지에서 네트리스트 생성, 파라미터 최적화, 배치, 라우팅을 아우르는 통합 파이프라인을 통해 아날로그 IC 설계의 엔드투엔드 자동화를 가능하게 하는 확장 가능한 LLM 기반 프레임워크인 AnalogMaster 를 제안합니다. AnalogMaster 는 컨텍스트 학습과 의도 추론을 활용하여 정확한 및 견고한 이미지에서 네트리스트 변환을 달성하는 공동 추론 메커니즘을 통합합니다. 효과적인 장치 크기 결정 및 하류 물리 설계를 위해 자기 강화 프롬프트 엔지니어링과 컨텍스트 절단을 통합한 파라미터 검색 에이전트가 개발되었습니다. 다양한 수준의 복잡성을 가진 15 개의 대표 회로에 대한 실험 평가는 여러 모델에서 강력하고 일관된 성능을 입증했습니다. 특히 GPT-5 는 Pass@1 에서 92.9%, Pass@5 에서 99.9% 의 성공률을 달성했습니다. 이러한 결과는 제안된 프레임워크의 효과성과 견고성을 검증하며 LLM 을 전체 스택 아날로그 IC 설계 자동화에 적용하는 실용적인 패러다임을 확립합니다.