Este artículo presenta un marco multiagente denominado CircuitMind para abordar el problema de la eficiencia en el diseño de hardware mediante modelos de lenguaje a gran escala (LLM). CircuitMind logra una eficiencia comparable a la humana mediante tres innovaciones clave: fijación sintáctica, generación aumentada por búsqueda y optimización de doble recompensa. Evaluado en un nuevo punto de referencia denominado TC-Bench con datos de la plataforma TuringComplete, CircuitMind alcanza un índice de eficiencia compuesto que supera a los mejores expertos humanos en el 55,6 % de las implementaciones de modelos. En particular, mejora el modelo 14B Phi-4 para superar a GPT-4o mini y Gemini 2.0 Flash, alcanzando una eficiencia comparable a la humana en el 25 % superior. Estas innovaciones presentan un nuevo paradigma de optimización de hardware basado en sistemas de IA colaborativos que aprovechan el conocimiento colectivo humano para lograr un diseño de circuito óptimo. Los modelos, los datos y el código son de código abierto.
