Test de l’IA générative pour la conception de cartes de circuits imprimés

Test de l’IA générative pour la conception de cartes de circuits imprimés

Introduction

• Test visant à déterminer si des chatbots basés sur l’IA peuvent aider dans des tâches de précision comme la conception de cartes de circuits imprimés.
• Les LLMs (grands modèles de langage) peuvent souvent mal interpréter les détails.
• Une approche déterministe est importante en conception électronique.
• Les produits d’IA actuels ont une part d’exagération, mais une approche appropriée permet de trouver une utilité concrète.
• Des LLMs ont été testés sur des tâches de conception difficiles que les experts effectuent au quotidien.
• Modèles utilisés pour le test : Gemini 1.5 Pro de Google, GPT-4o d’OpenAI, Claude 3 Opus d’Anthropic.

Poser des questions naïves

• La conception de cartes de circuits imprimés exige beaucoup de connaissances.
• Une approche a consisté à apprendre en posant des questions simples aux LLMs.
• Exemple : "Quel est le délai par unité de longueur d’une piste sur un circuit imprimé ?"
• Claude 3 Opus a fourni la réponse la plus précise.
• Google Gemini 1.5 a obtenu de faibles performances en raison de sources de mauvaise qualité récupérées sur Internet.

Recherche de composants

• Un ingénieur expérimenté peut trouver rapidement les composants nécessaires.
• Les capacités de l’IA à trouver des composants ont été testées.
• Exemple : trouver des composants pour un pilote de moteur robotique utilisant de l’Ethernet optique.
• Aucun des modèles n’a su recommander des composants appropriés.
• Beaucoup de recommandations étaient adaptées à des applications moyennes.

Analyse de datasheets

• Les données nécessaires à la conception de cartes de circuits imprimés se trouvent dans des datasheets PDF.
• Les capacités des LLMs à extraire des données depuis des PDF ont été testées.
• La méthode la plus efficace consiste à téléverser la datasheet complète dans le LLM puis à interroger interactivement les détails.
• Gemini 1.5 a montré les performances les plus fiables sur cette tâche.
• Il a réussi à générer des tables de broches et des footprints BGA.

Conception de circuits

• Test pour voir si les LLMs peuvent concevoir eux-mêmes des circuits.
• Exemple : conception d’un préamplificateur pour un microphone électret.
• Claude 3 Opus a fourni la meilleure réponse.
• Cependant, elle incluait certaines mauvaises décisions et des schémas de circuits inexacts.
• Les LLMs excellent dans l’extraction et la transformation d’informations, mais rencontrent des difficultés avec la synthèse de conception originale.

Conclusion

• La conception de cartes de circuits imprimés exige une grande précision.
• Les LLMs peuvent être utiles pour écrire du code.
• Claude 3 est utile pour apprendre un nouveau domaine.
• Gemini est utile pour extraire des données des datasheets.
• GPT-4o n’a pas fourni les réponses les plus utiles dans ce test.
• Les LLMs excellent dans la recherche d’information et la génération de code, mais ont des limites dans les domaines qui s’écartent de la distribution de leurs données d’entraînement.

L’avis de GN⁺

• Utilité des LLMs : les LLMs peuvent être utiles pour la recherche d’information et la génération de code dans la conception de cartes de circuits imprimés. Ils montrent notamment des points forts dans l’extraction des informations nécessaires à partir des datasheets.
• Limites : les LLMs rencontrent des difficultés avec la synthèse de conception originale. Cela peut être lié aux limites des données d’entraînement.
• Recherche future : pour améliorer les capacités des LLMs en conception de circuits, un fine-tuning sur la génération de netlists est nécessaire. Davantage de données et d’entraînement pourraient aussi être requis.
• Usage réel : à l’heure actuelle, les LLMs peuvent être utilisés comme outils d’assistance pour la conception de circuits, mais ils nécessitent une relecture et des corrections par des experts. L’automatisation complète reste limitée.
• Regard critique : les réponses des LLMs sont souvent calibrées pour des applications moyennes et peuvent ne pas répondre à des exigences spécifiques. Cela peut entraîner des problèmes importants dans une conception réelle.

[GN⁺]

Commentaires Hacker News

• Sonnet 3.5 affiche des performances bien meilleures qu’Opus, tout en coûtant moins cher. Opus est meilleur que GPT-4. GPT-4o est faible en raisonnement.
• C’est un bon exemple des limites des LLM en zéro-shot. L’approche semble mauvaise.
• Lorsqu’une approche holistique est nécessaire, une architecture générative fondée sur la diffusion semble plus adaptée que la prédiction du prochain token.
• Utiliser des LLM pour la conception de circuits ressemble à leur usage pour d’autres tâches complexes. Ils sont utiles pour extraire des données précises de sources de données spécifiques.
• Pour utiliser un LLM dans un domaine précis, un fine-tuning est nécessaire. Nous ne sommes pas encore au stade où une AGI peut travailler avec aisance dans tous les domaines.
• Je pense que résoudre des problèmes combinatoires avec des réseaux de neurones est une perte de temps. J’aimerais entendre un avis contraire.
• Les circuits générés par l’IA coûtent trois fois plus cher et sont trois fois plus grands que ceux conçus par des experts. Il manque aussi beaucoup de connexions nécessaires.
• J’aimerais comparer cela à Flux.ai.
• Cela me rappelle l’explication des problèmes NP-complets. Le processus consistant à vérifier si la réponse fournie par l’ordinateur est correcte est désagréable.
• Toute discussion sur les circuits évolués est incomplète sans mentionner les recherches du Dr Adrian Thompson dans les années 1990.
• L’IA générative appliquée à la conception de circuits deviendra bientôt la forme dominante. L’IA ne peut pas générer de circuits sans blocs fonctionnels puissants.
• J’ai eu l’idée de scanner à plat des cartes de circuits et d’utiliser le machine learning pour produire les schémas. La faisabilité semble faible.
• Il nous faut une IA capable de lire des fiches techniques et de générer des circuits Spice. L’objectif est de construire une bibliothèque de composants de simulation.