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.