Prueba de IA generativa para el diseño de placas de circuito
Introducción
- Se probó si los chatbots basados en IA pueden ayudar con tareas de precisión como el diseño de placas de circuito.
- Los LLMs (modelos de lenguaje grandes) a menudo pueden malinterpretar los detalles.
- En el diseño electrónico, es importante un enfoque determinista.
- Los productos de IA actuales tienen aspectos exagerados, pero con un enfoque adecuado se puede encontrar una utilidad práctica real.
- Se puso a prueba a los LLMs con tareas de diseño difíciles que los expertos realizan de forma cotidiana.
- Modelos usados en la prueba: Gemini 1.5 Pro de Google, GPT-4o de OpenAI, Claude 3 Opus de Anthropic.
Hacer preguntas tontas
- El diseño de placas de circuito requiere mucho conocimiento.
- Se intentó aprender haciéndoles preguntas simples a los LLMs.
- Ejemplo: "¿Cuál es el retardo por unidad de longitud de una pista en una placa de circuito?"
- Claude 3 Opus ofreció la respuesta más precisa.
- Google Gemini 1.5 mostró un desempeño deficiente debido a materiales de baja calidad tomados de internet.
Búsqueda de componentes
- Un ingeniero con experiencia puede encontrar rápidamente los componentes necesarios.
- Se probó la capacidad de la IA para encontrar componentes.
- Ejemplo: búsqueda de componentes para un driver de motor robótico que usa Ethernet óptico.
- Ninguno de los modelos pudo recomendar componentes adecuados.
- Hubo muchas recomendaciones de componentes orientadas a aplicaciones promedio.
Análisis de datasheets
- Los datos necesarios para el diseño de placas de circuito están incluidos en datasheets en PDF.
- Se probó la capacidad de los LLMs para extraer datos de PDFs.
- El método más efectivo fue subir el datasheet completo al LLM y consultar interactivamente los detalles.
- Gemini 1.5 mostró el desempeño más confiable en esta tarea.
- Logró generar la tabla de pines y el footprint BGA.
Diseño de circuitos
- Se probó si los LLMs podían hacer el diseño del circuito en sí.
- Ejemplo: diseño de un preamplificador para un micrófono electret.
- Claude 3 Opus dio la mejor respuesta.
- Sin embargo, incluyó algunas decisiones erróneas y diseños de circuito inexactos.
- Los LLMs destacan en tareas de extracción y transformación de información, pero tienen dificultades con la síntesis de diseño original.
Conclusión
- El diseño de placas de circuito exige mucha precisión.
- Los LLMs pueden ser útiles para escribir código.
- Claude 3 es útil para aprender dominios nuevos.
- Gemini es útil para extraer datos de datasheets.
- GPT-4o no proporcionó las respuestas más útiles en la prueba.
- Los LLMs sobresalen en recuperación de información y generación de código, pero tienen limitaciones en dominios que se salen de la distribución de sus datos de entrenamiento.
Opinión de GN⁺
- Utilidad de los LLMs: los LLMs pueden ser útiles en el diseño de placas de circuito para la recuperación de información y la generación de código. En particular, muestran fortalezas al extraer la información necesaria de los datasheets.
- Limitaciones: los LLMs tienen dificultades con la síntesis de diseño original. Esto podría estar relacionado con las limitaciones de sus datos de entrenamiento.
- Investigación futura: para mejorar la capacidad de los LLMs en diseño de circuitos, se necesita ajuste fino en tareas de generación de netlists. Además, podría hacer falta más datos y entrenamiento.
- Uso práctico: actualmente, los LLMs pueden usarse como herramientas de apoyo en el diseño de circuitos, pero requieren revisión y corrección por parte de expertos. La automatización completa tiene límites.
- Perspectiva crítica: las respuestas de los LLMs suelen estar orientadas a aplicaciones promedio, por lo que pueden no satisfacer requisitos específicos. Esto puede causar problemas importantes en diseños reales.
1 comentarios
Comentarios de Hacker News