arXiv 于 2026 年 10 月 20 日（周二）19:04:12 UTC 收录了预印本论文《Sketch2Sim: an end-to-end modular framework for hand-drawn circuit analysis》（Sketch2Sim：一个面向手绘电路分析的端到端模块化框架），编号为 arXiv:2610.28836 [cs.AI]，第一版为该文唯一版本，提交文件约 20,479 KB。论文作者为 Mohammad Kawsar 等共 7 人，提交人为 AKM Bahalul Haque。该文同时挂靠人工智能（cs.AI）、计算机视觉与模式识别（cs.CV）以及机器学习（cs.LG）三个分类，DOI 为 https://doi.org/10.48550/arXiv.2610.28836（由 DataCite 发放，注册尚待完成），另列有一个相关 DOI：https://doi.org/10.7717/peerj-cs.4103。
研究动机与目标：作者提出一套“草图到仿真”（sketch-to-simulation）系统，用于处理手绘电路图。系统把原始图像转换为兼容 SPICE（Simulation Program with Integrated Circuit Emphasis，以集成电路为重点的仿真程序）的网表（netlist），并自动计算电路的节点电压与支路电流。论文的另一个目标是给出一个整体性框架，帮助学生与教师改善电路课程的教学与学习体验，同时加快工程设计的评审流程。作者指出，现实中大量电路构思最初以纸笔草图形式出现，而这些草图无法直接进入仿真工具，因此需要一个多阶段流水线，把对手写电路拍摄的原始照片转换为可执行的类 SPICE 网表。
数据集：研究团队整理并标注了一个包含 1,000 个手绘 RLC（电阻—电感—电容）电路的图像数据集，标注内容涵盖元件、文本区域以及字符识别三个层面，为后续各级模块的训练与评估提供基础。
系统架构：所提系统把电路图分解为三个模块化阶段。第一阶段使用两个基于 YOLO（You Only Look Once）的检测器，分别负责检测电路元件与文本区域；第二阶段使用结合 CTC（Connectionist Temporal Classification，联结主义时间分类）的卷积循环神经网络（CRNN），并配合基于 OCR（光学字符识别）的、具备领域知识的符号数值抽取方法，以识别手写标注的元件值与标签；第三阶段采用图像处理技术，包括阈值化、骨架化（skeletonization）以及 DBSCAN（Density-Based Spatial Clustering of Applications with Noise，基于密度的带噪空间聚类）算法，自动识别电路节点，并把节点与相应元件进行映射。最终系统输出网表并求解电路，得到节点电压与电流结果。
评估与结论：论文对各个模块阶段分别进行了定性与定量的消融研究（ablation study），并开展了端到端测试。结果表明，系统在不同手写风格、不同光照条件以及存在杂乱背景的情况下均表现出稳健的性能。作者认为，该工作既可作为一种交互式学习辅助工具，也可作为面向专业人员的实用工具：系统提供完整的用户界面（UI），能够快速将电路草图数字化，服务于学习、设计、原型制作或故障排查等场景。需要注意的是，上述结论均来自论文作者的预印本报告，相关性能数据以论文全文为准，且该预印本的 DOI 注册仍处于待完成状态。
论文全文可通过 arXiv 页面获取（View PDF），页面另提供音频摘要及若干文献与引用工具链接。论文当前浏览语境为 cs.AI 下的 2026 年 10 月新提交列表，读者也可切换至 cs.CV 或 cs.LG 分类浏览。