Devre kartı tasarımı için üretken yapay zeka testi

Devre kartı tasarımı için üretken yapay zeka testi

Giriş

• Yapay zeka tabanlı sohbet botlarının devre kartı tasarımı gibi hassas işlerde yardımcı olup olamayacağı test ediliyor.
• LLM'ler (büyük dil modelleri) çoğu zaman ayrıntıları yanlış anlayabiliyor.
• Elektronik tasarımda deterministik yaklaşım önemli.
• Mevcut yapay zeka ürünleri abartılı yönler taşısa da, uygun yaklaşımla pratikte işe yarayan kullanım alanları bulunabilir.
• Uzmanların günlük olarak yaptığı zor tasarım görevlerinde LLM'ler test ediliyor.
• Testte kullanılan modeller: Google'ın Gemini 1.5 Pro'su, OpenAI'ın GPT-4o'su, Anthropic'in Claude 3 Opus'u.

Aptalca sorular sormak

• Devre kartı tasarımı çok fazla bilgi gerektirir.
• LLM'lere basit sorular sorarak öğrenme yöntemi deneniyor.
• Örnek: "Devre kartı izlerinde birim uzunluk başına gecikme nedir?"
• Claude 3 Opus en doğru yanıtı veriyor.
• Google Gemini 1.5, internetten alınan düşük kaliteli materyaller nedeniyle zayıf performans gösteriyor.

Bileşen bulma

• Deneyimli mühendisler ihtiyaç duyulan bileşenleri hızla bulabilir.
• Yapay zekanın bileşen bulma yeteneği test ediliyor.
• Örnek: optik Ethernet kullanan bir robot motor sürücüsü için bileşen bulma.
• Hiçbir model uygun bileşen öneremiyor.
• Çoğu öneri ortalama uygulamalara göre seçilmiş bileşenlerden oluşuyor.

Veri sayfası ayrıştırma

• Devre kartı tasarımı için gereken veriler PDF veri sayfalarında yer alır.
• LLM'lerin PDF'lerden veri çıkarma becerisi test ediliyor.
• En etkili yöntem, veri sayfasının tamamını LLM'e yükleyip ayrıntıları etkileşimli olarak sorgulamak.
• Gemini 1.5 bu görevde en güvenilir performansı gösteriyor.
• Pin tabloları ve BGA footprint üretmede başarılı oluyor.

Devre tasarımı

• LLM'lerin devre tasarımını doğrudan yapıp yapamayacağı test ediliyor.
• Örnek: elektret mikrofon için preamp tasarımı.
• Claude 3 Opus en iyi yanıtı veriyor.
• Ancak bazı hatalı kararlar ve yanlış devre tasarımları da içeriyor.
• LLM'ler bilgi çıkarma ve dönüştürme işlerinde güçlü, ancak özgün tasarım sentezinde zorlanıyor.

Sonuç

• Devre kartı tasarımı çok yüksek hassasiyet gerektirir.
• LLM'ler kod yazımında faydalı olabilir.
• Claude 3 yeni alanları öğrenmede yararlı.
• Gemini, veri sayfalarından veri çıkarmada faydalı.
• GPT-4o testte en yararlı yanıtları sunamıyor.
• LLM'ler bilgi arama ve kod üretiminde güçlü olsa da, eğitim verisi dağılımının dışındaki alanlarda sınırlamalara sahip.

GN⁺ görüşü

• LLM'lerin faydası: LLM'ler devre kartı tasarımında bilgi arama ve kod üretimi için yararlı olabilir. Özellikle veri sayfalarından gerekli bilgileri çıkarmada güçlüler.
• Sınırlamalar: LLM'ler özgün tasarım sentezinde zorlanıyor. Bu durum eğitim verisinin sınırlarıyla ilişkili olabilir.
• Gelecek araştırmalar: LLM'lerin devre tasarım yeteneğini geliştirmek için netlist üretimi görevlerinde ince ayar yapılması gerekiyor. Ayrıca daha fazla veri ve eğitim gerekebilir.
• Gerçek kullanım: Bugün LLM'ler devre tasarımında yardımcı araç olarak kullanılabilir, ancak uzman incelemesi ve düzeltmesi gerekir. Tam otomasyonda sınırlamalar var.
• Eleştirel bakış: LLM'lerin yanıtları çoğu zaman ortalama uygulamalara göre şekillendiği için belirli gereksinimleri karşılayamayabilir. Bu da gerçek tasarımda önemli sorunlara yol açabilir.

[GN⁺]

Hacker News görüşleri

• Sonnet 3.5, Opus'tan çok daha iyi performans gösteriyor ve maliyeti de daha düşük. Opus, GPT-4'ten daha iyi. GPT-4o'nun akıl yürütme yeteneği zayıf.
• Bu, zero-shot LLM'lerin sınırlarını gösteren iyi bir örnek. Yaklaşım yanlış gibi görünüyor.
• Bütüncül bir yaklaşım gerektiğinde, bir sonraki token tahmininden ziyade diffusion tabanlı üretim mimarisi daha uygun olabilir gibi görünüyor.
• LLM'leri devre tasarımında kullanmak, onları diğer karmaşık görevlerde kullanmaya benziyor. Belirli veri kaynaklarından somut veriler çıkarmada faydalı.
• LLM'leri belirli bir alanda kullanmak için fine-tuning gerekiyor. AGI'nin her alanda yetkin biçimde çalışabildiği aşamaya henüz gelinmedi.
• Sinir ağlarıyla kombinatoryal problemleri çözmeye çalışmanın zaman kaybı olduğunu düşünüyorum. Aksini savunan görüşleri duymak isterim.
• Yapay zeka tarafından üretilen devreler, uzmanların tasarladıklarından üç kat daha maliyetli ve üç kat daha büyük. Ayrıca gerekli bağlantıların çoğu eksik.
• Bunu Flux.ai ile karşılaştırmak isterim.
• Bu bana NP-tam problemlerle ilgili açıklamaları hatırlatıyor. Bilgisayarın verdiği cevabın doğru olup olmadığını kontrol etme süreci rahatsız edici geliyor.
• Evrimleşmiş devrelerle ilgili bir tartışma, Dr. Adrian Thompson'ın 90'lardaki çalışmalarından bahsetmeden eksik kalır.
• Devre tasarımı için üretken yapay zeka yakında baskın yaklaşım olacak. Güçlü işlev blokları olmadan yapay zekanın devre üretmesi mümkün değil.
• Devre kartlarını düz yatay tarayıp makine öğrenimi kullanarak şema çıkarmaya dair bir fikir aklıma geldi. Gerçekleşme ihtimali düşük.
• Datasheet okuyup Spice devresi üreten bir yapay zekaya ihtiyaç var. Amaç, simülasyon bileşenlerinden oluşan bir kütüphane kurmak.