Thử nghiệm AI tạo sinh cho thiết kế bảng mạch

Thử nghiệm AI tạo sinh cho thiết kế bảng mạch

Giới thiệu

• Thử nghiệm xem chatbot dựa trên AI có thể hỗ trợ các công việc đòi hỏi độ chính xác cao như thiết kế bảng mạch hay không.
• LLMs (mô hình ngôn ngữ lớn) thường có thể hiểu sai các chi tiết.
• Trong thiết kế điện tử, cách tiếp cận mang tính quyết định là rất quan trọng.
• Các sản phẩm AI hiện tại có phần bị thổi phồng, nhưng với cách tiếp cận phù hợp vẫn có thể tìm ra giá trị hữu ích trong thực tế.
• Thử nghiệm LLMs với các tác vụ thiết kế khó mà chuyên gia thực hiện hằng ngày.
• Các mô hình được dùng trong thử nghiệm: Gemini 1.5 Pro của Google, GPT-4o của OpenAI, Claude 3 Opus của Anthropic.

Đặt những câu hỏi ngớ ngẩn

• Thiết kế bảng mạch đòi hỏi nhiều kiến thức.
• Tác giả thử cách học bằng cách đặt cho LLMs những câu hỏi đơn giản.
• Ví dụ: "Độ trễ trên mỗi đơn vị chiều dài của trace trên bảng mạch là bao nhiêu?"
• Claude 3 Opus đưa ra câu trả lời chính xác nhất.
• Google Gemini 1.5 cho kết quả kém do bị ảnh hưởng bởi các tài liệu chất lượng thấp lấy từ Internet.

Tìm linh kiện

• Kỹ sư giàu kinh nghiệm có thể nhanh chóng tìm được linh kiện cần thiết.
• Bài viết kiểm tra khả năng tìm linh kiện của AI.
• Ví dụ: tìm linh kiện cho bộ điều khiển động cơ robot dùng Ethernet quang.
• Không mô hình nào đề xuất được các linh kiện phù hợp.
• Có nhiều đề xuất linh kiện chỉ phù hợp với các ứng dụng ở mức trung bình.

Phân tích datasheet

• Dữ liệu cần thiết cho thiết kế bảng mạch nằm trong các datasheet PDF.
• Bài viết kiểm tra khả năng trích xuất dữ liệu từ PDF của LLMs.
• Cách hiệu quả nhất là tải toàn bộ datasheet lên LLM rồi truy vấn tương tác các chi tiết.
• Gemini 1.5 cho thấy hiệu năng đáng tin cậy nhất ở tác vụ này.
• Mô hình đã thành công trong việc tạo bảng chân pin và footprint BGA.

Thiết kế mạch

• Bài viết kiểm tra xem LLMs có thể tự thiết kế mạch hay không.
• Ví dụ: thiết kế preamp cho microphone điện tử.
• Claude 3 Opus đưa ra câu trả lời tốt nhất.
• Tuy nhiên vẫn có một số quyết định sai và thiết kế mạch thiếu chính xác.
• LLMs rất giỏi ở các tác vụ trích xuất và chuyển đổi thông tin, nhưng gặp khó khăn với việc tổng hợp thiết kế nguyên bản.

Kết luận

• Thiết kế bảng mạch đòi hỏi độ chính xác rất cao.
• LLMs có thể hữu ích trong việc viết code.
• Claude 3 hữu ích để học một lĩnh vực mới.
• Gemini hữu ích trong việc trích xuất dữ liệu từ datasheet.
• GPT-4o không đưa ra những câu trả lời hữu ích nhất trong bài thử nghiệm này.
• LLMs xuất sắc trong tra cứu thông tin và sinh code, nhưng có giới hạn ở các lĩnh vực nằm ngoài phân bố dữ liệu huấn luyện.

Ý kiến của GN⁺

• Tính hữu ích của LLMs: LLMs có thể hữu ích trong thiết kế bảng mạch ở các tác vụ tra cứu thông tin và sinh code. Đặc biệt, chúng thể hiện thế mạnh trong việc trích xuất thông tin cần thiết từ datasheet.
• Hạn chế: LLMs gặp khó khăn trong việc tổng hợp thiết kế nguyên bản. Điều này có thể liên quan đến giới hạn của dữ liệu huấn luyện.
• Nghiên cứu tương lai: Để cải thiện khả năng thiết kế mạch của LLMs, cần fine-tune cho tác vụ tạo netlist. Ngoài ra, có thể cần thêm dữ liệu và quá trình huấn luyện nhiều hơn.
• Ứng dụng thực tế: Hiện tại, LLMs có thể được dùng như công cụ hỗ trợ cho thiết kế mạch, nhưng vẫn cần chuyên gia rà soát và chỉnh sửa. Việc tự động hóa hoàn toàn vẫn còn hạn chế.
• Góc nhìn phản biện: Câu trả lời của LLMs thường được tối ưu cho các ứng dụng ở mức trung bình nên có thể không đáp ứng được các yêu cầu cụ thể. Đây có thể là vấn đề nghiêm trọng trong thiết kế thực tế.

[GN⁺]

Ý kiến Hacker News

• Sonnet 3.5 cho hiệu năng tốt hơn Opus rất nhiều, đồng thời chi phí cũng thấp hơn. Opus tốt hơn GPT-4. GPT-4o có khả năng suy luận kém.
• Đây là một ví dụ hay cho thấy giới hạn của LLM zero-shot. Có vẻ cách tiếp cận này là sai.
• Trong những trường hợp cần cách tiếp cận toàn cục, cấu trúc sinh dựa trên khuếch tán có lẽ phù hợp hơn dự đoán token tiếp theo.
• Việc dùng LLM cho thiết kế mạch cũng giống như dùng nó cho các tác vụ phức tạp khác. Nó hữu ích để trích xuất dữ liệu cụ thể từ các nguồn dữ liệu nhất định.
• Muốn dùng LLM cho một lĩnh vực cụ thể thì cần fine-tuning. Vẫn chưa đến giai đoạn AGI có thể làm việc thành thạo ở mọi lĩnh vực.
• Tôi cho rằng dùng mạng nơ-ron để giải các bài toán tổ hợp là lãng phí thời gian. Tôi muốn nghe ý kiến phản biện.
• Mạch do AI tạo ra có chi phí và kích thước lớn gấp ba lần so với mạch do chuyên gia thiết kế. Cũng thiếu rất nhiều kết nối cần thiết.
• Muốn thấy so sánh với Flux.ai.
• Điều này làm tôi nhớ đến phần giải thích về bài toán NP-đầy đủ. Cảm giác phải kiểm tra xem câu trả lời máy tính đưa ra có đúng không thật khó chịu.
• Bàn về mạch tiến hóa mà không nhắc đến nghiên cứu của Dr. Adrian Thompson vào thập niên 90 thì là chưa đầy đủ.
• Generative AI cho thiết kế mạch sẽ sớm trở thành hình thức chủ đạo. AI không thể tạo ra mạch nếu không có các khối chức năng mạnh.
• Tôi nghĩ ra ý tưởng quét phẳng bo mạch và dùng machine learning để tạo sơ đồ mạch. Khả năng hiện thực hóa thì thấp.
• Cần một AI có thể đọc datasheet và tạo mạch Spice. Mục tiêu là xây dựng một thư viện các thành phần mô phỏng.