arXiv 於 2026 年 10 月 20 日（週二）19:04:12 UTC 收錄了預印本論文《Sketch2Sim: an end-to-end modular framework for hand-drawn circuit analysis》（Sketch2Sim：一個面向手繪電路分析的端到端模組化框架），編號為 arXiv:2610.28836 [cs.AI]，第一版為該文唯一版本，提交檔案約 20,479 KB。論文作者為 Mohammad Kawsar 等共 7 人，提交人為 AKM Bahalul Haque。該文同時掛靠人工智慧（cs.AI）、計算機視覺與模式識別（cs.CV）以及機器學習（cs.LG）三個分類，DOI 為 https://doi.org/10.48550/arXiv.2610.28836（由 DataCite 發放，註冊尚待完成），另列有一個相關 DOI：https://doi.org/10.7717/peerj-cs.4103。
研究動機與目標：作者提出一套“草圖到模擬”（sketch-to-simulation）系統，用於處理手繪電路圖。系統把原始影像轉換為相容 SPICE（Simulation Program with Integrated Circuit Emphasis，以積體電路為重點的模擬程式）的網表（netlist），並自動計算電路的節點電壓與支路電流。論文的另一個目標是給出一個整體性框架，幫助學生與教師改善電路課程的教學與學習體驗，同時加快工程設計的評審流程。作者指出，現實中大量電路構思最初以紙筆草圖形式出現，而這些草圖無法直接進入模擬工具，因此需要一個多階段流水線，把對手寫電路拍攝的原始照片轉換為可執行的類 SPICE 網表。
資料集：研究團隊整理並標註了一個包含 1,000 個手繪 RLC（電阻—電感—電容）電路的影像資料集，標註內容涵蓋元件、文本區域以及字元識別三個層面，為後續各級模組的訓練與評估提供基礎。
系統架構：所提系統把電路圖分解為三個模組化階段。第一階段使用兩個基於 YOLO（You Only Look Once）的檢測器，分別負責檢測電路元件與文本區域；第二階段使用結合 CTC（Connectionist Temporal Classification，聯結主義時間分類）的卷積迴圈神經網路（CRNN），並配合基於 OCR（光學字元識別）的、具備領域知識的符號數值抽取方法，以識別手寫標註的元件值與標籤；第三階段採用影像處理技術，包括閾值化、骨架化（skeletonization）以及 DBSCAN（Density-Based Spatial Clustering of Applications with Noise，基於密度的帶噪空間聚類）演算法，自動識別電路節點，並把節點與相應元件進行對映。最終系統輸出網表並求解電路，得到節點電壓與電流結果。
評估與結論：論文對各個模組階段分別進行了定性與定量的消融研究（ablation study），並開展了端到端測試。結果表明，系統在不同手寫風格、不同光照條件以及存在雜亂背景的情況下均表現出穩健的效能。作者認為，該工作既可作為一種互動式學習輔助工具，也可作為面向專業人員的實用工具：系統提供完整的使用者介面（UI），能夠快速將電路草圖數字化，服務於學習、設計、原型製作或故障排查等場景。需要注意的是，上述結論均來自論文作者的預印本報告，相關效能資料以論文全文為準，且該預印本的 DOI 註冊仍處於待完成狀態。
論文全文可透過 arXiv 頁面獲取（View PDF），頁面另提供音訊摘要及若干文獻與引用工具連結。論文當前瀏覽語境為 cs.AI 下的 2026 年 10 月新提交列表，讀者也可切換至 cs.CV 或 cs.LG 分類瀏覽。