# 회로 기판 설계를 위한 Generative AI 테스트

> Clean Markdown view of GeekNews topic #15471. Use the original source for factual precision when an external source URL is present.

## Metadata

- GeekNews HTML: [https://news.hada.io/topic?id=15471](https://news.hada.io/topic?id=15471)
- GeekNews Markdown: [https://news.hada.io/topic/15471.md](https://news.hada.io/topic/15471.md)
- Type: GN+
- Author: [neo](https://news.hada.io/@neo)
- Published: 2024-06-22T19:33:21+09:00
- Updated: 2024-06-22T19:33:21+09:00
- Original source: [blog.jitx.com](https://blog.jitx.com/jitx-corporate-blog/testing-generative-ai-for-circuit-board-design)
- Points: 1
- Comments: 1

## Topic Body

### 회로 기판 설계를 위한 생성형 AI 테스트

#### 소개
- AI 기반 챗봇이 회로 기판 설계와 같은 정밀한 작업에 도움이 될 수 있는지 테스트함.
- LLMs(대형 언어 모델)는 종종 세부 사항을 잘못 이해할 수 있음.
- 전자 설계에서 결정론적 접근이 중요함.
- 현재 AI 제품들은 과장된 면이 있지만, 적절한 접근법을 통해 실질적인 유용성을 찾을 수 있음.
- 전문가가 일상적으로 수행하는 어려운 설계 작업에 LLMs를 테스트함.
- 테스트에 사용된 모델: Google의 Gemini 1.5 Pro, OpenAI의 GPT-4o, Anthropic의 Claude 3 Opus.

#### 어리석은 질문하기
- 회로 기판 설계에는 많은 지식이 필요함.
- LLMs에게 간단한 질문을 하여 학습하는 방법을 시도함.
- 예: "회로 기판의 트레이스 단위 길이당 지연은 무엇인가?"
- Claude 3 Opus가 가장 정확한 답변을 제공함.
- Google Gemini 1.5는 인터넷에서 가져온 저품질 자료로 인해 성능이 저조함.

#### 부품 찾기
- 경험 많은 엔지니어는 필요한 부품을 빠르게 찾을 수 있음.
- AI가 부품을 찾는 능력을 테스트함.
- 예: 광 이더넷을 사용하는 로봇 모터 드라이버의 부품 찾기.
- 모든 모델이 적절한 부품을 추천하지 못함.
- 평균적인 응용 프로그램에 맞춘 부품 추천이 많았음.

#### 데이터시트 파싱
- 회로 기판 설계에 필요한 데이터는 PDF 데이터시트에 포함됨.
- LLMs가 PDF에서 데이터를 추출하는 능력을 테스트함.
- 가장 효과적인 방법은 전체 데이터시트를 LLM에 업로드하고 상호작용적으로 세부 사항을 쿼리하는 것임.
- Gemini 1.5가 이 작업에서 가장 신뢰할 만한 성능을 보임.
- 핀 테이블과 BGA 풋프린트를 생성하는 데 성공함.

#### 회로 설계
- LLMs가 회로 설계 자체를 할 수 있는지 테스트함.
- 예: 전자 마이크로폰을 위한 프리앰프 설계.
- Claude 3 Opus가 가장 좋은 답변을 제공함.
- 그러나 일부 잘못된 결정과 부정확한 회로 설계가 포함됨.
- LLMs는 정보 추출과 변환 작업에 뛰어나지만, 원래 설계 합성에는 어려움을 겪음.

#### 결론
- 회로 기판 설계는 많은 정밀성이 요구됨.
- LLMs는 코드 작성에 유용할 수 있음.
- Claude 3는 새로운 도메인 학습에 유용함.
- Gemini는 데이터시트에서 데이터를 추출하는 데 유용함.
- GPT-4o는 테스트에서 가장 유용한 답변을 제공하지 못함.
- LLMs는 정보 검색과 코드 생성에 뛰어나지만, 훈련 데이터 분포에서 벗어난 도메인에서는 한계가 있음.

### GN⁺의 의견
- **LLMs의 유용성**: LLMs는 회로 기판 설계에서 정보 검색과 코드 생성에 유용할 수 있음. 특히 데이터시트에서 필요한 정보를 추출하는 데 강점을 보임.
- **한계점**: LLMs는 원래 설계 합성에는 어려움을 겪음. 이는 훈련 데이터의 한계와 관련이 있을 수 있음.
- **미래 연구**: LLMs의 회로 설계 능력을 향상시키기 위해 네트리스트 생성 작업에 대한 미세 조정이 필요함. 또한, 더 많은 데이터와 훈련이 필요할 수 있음.
- **실제 활용**: 현재 LLMs는 회로 설계의 보조 도구로 사용될 수 있지만, 전문가의 검토와 수정이 필요함. 완전한 자동화에는 한계가 있음.
- **비판적 시각**: LLMs의 답변은 종종 평균적인 응용 프로그램에 맞춰져 있어 특정 요구 사항을 충족하지 못할 수 있음. 이는 실제 설계에서 중요한 문제를 초래할 수 있음.

## Comments



### Comment 26490

- Author: neo
- Created: 2024-06-22T19:33:22+09:00
- Points: 1

###### [Hacker News 의견](https://news.ycombinator.com/item?id=40751020) 
- Sonnet 3.5가 Opus보다 훨씬 나은 성능을 보이며, 비용도 적게 듦. GPT-4보다 Opus가 더 나음. GPT-4o는 추론 능력이 떨어짐.
- 제로샷 LLM의 한계를 보여주는 좋은 예시임. 접근 방식이 잘못된 것 같음.
- 전체론적 접근이 필요한 경우, 다음 토큰 예측보다는 확산 기반 생성 구조가 더 적합할 것 같음.
- LLM을 회로 설계에 사용하는 것은 다른 복잡한 작업에 사용하는 것과 비슷함. 특정 데이터 소스에서 구체적인 데이터를 추출하는 데 유용함.
- LLM을 특정 분야에 사용하려면 미세 조정이 필요함. AGI가 모든 분야에서 능숙하게 작업할 수 있는 단계는 아직 아님.
- 신경망을 사용해 조합적 문제를 해결하는 것은 시간 낭비라고 생각함. 반대 의견을 듣고 싶음.
- AI가 생성한 회로는 전문가가 설계한 것보다 비용과 크기가 세 배나 큼. 필요한 연결도 많이 빠져 있음.
- Flux.ai와 비교해 보고 싶음.
- NP-완전 문제에 대한 설명이 떠오름. 컴퓨터가 제공하는 답이 맞는지 확인하는 과정이 불쾌하게 느껴짐.
- 진화된 회로에 대한 논의는 Dr. Adrian Thompson의 90년대 연구를 언급하지 않고는 불완전함.
- 회로 설계에 대한 생성 AI는 곧 지배적인 형태가 될 것임. AI가 강력한 기능 블록 없이 회로를 생성할 수는 없음.
- 회로 보드를 평판 스캔하고 기계 학습을 사용해 회로도를 만드는 아이디어를 생각해 냄. 실현 가능성은 낮음.
- 데이터시트를 읽고 Spice 회로를 생성하는 AI가 필요함. 시뮬레이션 구성 요소의 라이브러리를 구축하는 것이 목표임.