Test generativer KI für das Entwerfen von Leiterplatten

Test generativer KI für das Entwerfen von Leiterplatten

Einführung

• Es wird getestet, ob KI-basierte Chatbots bei präzisen Aufgaben wie dem Entwerfen von Leiterplatten helfen können.
• LLMs (Large Language Models) können Details oft falsch verstehen.
• Bei elektronischem Design ist ein deterministischer Ansatz wichtig.
• Aktuelle KI-Produkte sind teils übertrieben dargestellt, aber mit dem richtigen Ansatz lässt sich ein praktischer Nutzen finden.
• LLMs werden an schwierigen Designaufgaben getestet, die Fachleute im Alltag ausführen.
• Verwendete Modelle im Test: Google Gemini 1.5 Pro, OpenAI GPT-4o, Anthropic Claude 3 Opus.

Dumme Fragen stellen

• Für das Entwerfen von Leiterplatten ist viel Wissen erforderlich.
• Es wird versucht, durch einfache Fragen an LLMs zu lernen.
• Beispiel: "Wie hoch ist die Verzögerung pro Längeneinheit einer Leiterbahn auf einer Leiterplatte?"
• Claude 3 Opus lieferte die präziseste Antwort.
• Google Gemini 1.5 schnitt wegen minderwertiger Materialien aus dem Internet schwach ab.

Bauteile finden

• Erfahrene Ingenieure können benötigte Bauteile schnell finden.
• Es wird getestet, wie gut KI Bauteile finden kann.
• Beispiel: Bauteilsuche für einen Robotermotortreiber mit optischem Ethernet.
• Keines der Modelle konnte passende Bauteile empfehlen.
• Viele Empfehlungen waren auf durchschnittliche Anwendungen zugeschnitten.

Datenblätter parsen

• Die für das Leiterplattendesign benötigten Daten stehen in PDF-Datenblättern.
• Es wird getestet, wie gut LLMs Daten aus PDFs extrahieren können.
• Am effektivsten ist es, das vollständige Datenblatt in das LLM hochzuladen und Details interaktiv abzufragen.
• Gemini 1.5 zeigte bei dieser Aufgabe die verlässlichste Leistung.
• Es gelang, Pin-Tabellen und BGA-Footprints zu erzeugen.

Schaltungsdesign

• Es wird getestet, ob LLMs das eigentliche Schaltungsdesign übernehmen können.
• Beispiel: Entwurf eines Vorverstärkers für ein Elektretmikrofon.
• Claude 3 Opus lieferte die beste Antwort.
• Allerdings enthielt sie einige Fehlentscheidungen und ungenaue Schaltungsentwürfe.
• LLMs sind stark bei Aufgaben zur Informationsgewinnung und -umwandlung, haben aber Schwierigkeiten bei der Synthese originärer Designs.

Fazit

• Das Entwerfen von Leiterplatten erfordert ein hohes Maß an Präzision.
• LLMs können beim Schreiben von Code nützlich sein.
• Claude 3 ist nützlich, um neue Domänen zu erlernen.
• Gemini ist nützlich, um Daten aus Datenblättern zu extrahieren.
• GPT-4o lieferte im Test nicht die nützlichsten Antworten.
• LLMs sind stark bei Informationssuche und Codegenerierung, haben aber Grenzen in Domänen, die außerhalb der Verteilung ihrer Trainingsdaten liegen.

Meinung von GN⁺

• Nützlichkeit von LLMs: LLMs können beim Leiterplattendesign für Informationssuche und Codegenerierung nützlich sein. Besonders stark sind sie beim Extrahieren benötigter Informationen aus Datenblättern.
• Grenzen: LLMs haben Schwierigkeiten bei der Synthese originärer Designs. Das könnte mit den Grenzen der Trainingsdaten zusammenhängen.
• Zukünftige Forschung: Um die Schaltungsdesign-Fähigkeiten von LLMs zu verbessern, ist Fine-Tuning für Aufgaben zur Netlist-Generierung erforderlich. Außerdem könnten mehr Daten und weiteres Training nötig sein.
• Praktischer Einsatz: Derzeit können LLMs als Hilfswerkzeug im Schaltungsdesign eingesetzt werden, erfordern aber Überprüfung und Korrektur durch Fachleute. Für eine vollständige Automatisierung gibt es Grenzen.
• Kritische Perspektive: Die Antworten von LLMs sind oft auf durchschnittliche Anwendungen zugeschnitten und erfüllen spezifische Anforderungen möglicherweise nicht. Das kann im realen Design zu wichtigen Problemen führen.

[GN⁺]

Hacker-News-Kommentare

• Sonnet 3.5 zeigt eine deutlich bessere Leistung als Opus und kostet zudem weniger. Opus ist besser als GPT-4. GPT-4o hat schwächere Schlussfolgerungsfähigkeiten.
• Ein gutes Beispiel, das die Grenzen von Zero-Shot-LLMs zeigt. Der Ansatz scheint falsch zu sein.
• Wenn ein ganzheitlicher Ansatz nötig ist, scheint eine diffusionsbasierte Generierungsarchitektur geeigneter zu sein als Next-Token-Prediction.
• Der Einsatz von LLMs für Schaltungsdesign ähnelt ihrem Einsatz für andere komplexe Aufgaben. Sie sind nützlich, um konkrete Daten aus bestimmten Datenquellen zu extrahieren.
• Um LLMs in einem bestimmten Fachgebiet einzusetzen, ist Fine-Tuning nötig. AGI ist noch nicht an dem Punkt, an dem sie in allen Bereichen kompetent arbeiten kann.
• Ich halte es für Zeitverschwendung, kombinatorische Probleme mit neuronalen Netzen zu lösen. Ich würde gern Gegenargumente hören.
• Von KI erzeugte Schaltungen sind dreimal so teuer und groß wie von Experten entworfene. Außerdem fehlen viele notwendige Verbindungen.
• Ich würde das gern mit Flux.ai vergleichen.
• Das erinnert mich an die Erklärung zu NP-vollständigen Problemen. Der Prozess, zu überprüfen, ob die vom Computer gelieferte Antwort korrekt ist, fühlt sich unerquicklich an.
• Eine Diskussion über evolvierte Schaltungen ist unvollständig, wenn sie nicht die Forschung von Dr. Adrian Thompson aus den 90er-Jahren erwähnt.
• Generative KI für Schaltungsdesign wird bald die dominante Form sein. KI wird keine Schaltungen ohne leistungsstarke Funktionsblöcke erzeugen können.
• Mir kam die Idee, Leiterplatten flach zu scannen und mit Machine Learning Schaltpläne daraus zu erzeugen. Die Umsetzbarkeit ist gering.
• Wir brauchen eine KI, die Datenblätter liest und Spice-Schaltungen erzeugt. Das Ziel ist der Aufbau einer Bibliothek von Simulationskomponenten.