सर्किट बोर्ड डिज़ाइन के लिए Generative AI का परीक्षण

 (blog.jitx.com)
1 पॉइंट द्वारा GN⁺ 2024-06-22 | 1 टिप्पणियां | WhatsApp पर शेयर करें

सर्किट बोर्ड डिज़ाइन के लिए Generative AI का परीक्षण

परिचय

  • यह परीक्षण किया गया कि क्या AI-आधारित chatbot सर्किट बोर्ड डिज़ाइन जैसे अत्यंत सटीक कार्यों में मददगार हो सकते हैं।
  • LLMs (Large Language Models) अक्सर बारीक विवरणों को गलत समझ सकते हैं।
  • इलेक्ट्रॉनिक डिज़ाइन में deterministic approach महत्वपूर्ण है।
  • मौजूदा AI उत्पादों में अतिशयोक्ति का तत्व है, लेकिन सही approach के साथ वास्तविक उपयोगिता खोजी जा सकती है।
  • LLMs को उन कठिन डिज़ाइन कार्यों पर परखा गया जिन्हें विशेषज्ञ रोज़मर्रा में करते हैं।
  • परीक्षण में इस्तेमाल किए गए मॉडल: Google का Gemini 1.5 Pro, OpenAI का GPT-4o, Anthropic का Claude 3 Opus.

साधारण सवाल पूछना

  • सर्किट बोर्ड डिज़ाइन के लिए बहुत ज्ञान की आवश्यकता होती है।
  • LLMs से सरल प्रश्न पूछकर सीखने का तरीका आज़माया गया।
  • उदाहरण: "सर्किट बोर्ड trace की प्रति unit length देरी कितनी होती है?"
  • Claude 3 Opus ने सबसे सटीक उत्तर दिया।
  • Google Gemini 1.5 का प्रदर्शन इंटरनेट से लिए गए निम्न-गुणवत्ता वाले स्रोतों के कारण कमजोर रहा।

पार्ट्स ढूँढना

  • अनुभवी इंजीनियर ज़रूरी components जल्दी ढूँढ सकते हैं।
  • components खोजने में AI की क्षमता का परीक्षण किया गया।
  • उदाहरण: optical Ethernet इस्तेमाल करने वाले robot motor driver के लिए components ढूँढना।
  • कोई भी मॉडल उपयुक्त components की सिफारिश नहीं कर सका।
  • अधिकतर सिफारिशें औसत application के हिसाब से थीं।

datasheet parsing

  • सर्किट बोर्ड डिज़ाइन के लिए आवश्यक डेटा PDF datasheets में शामिल होता है।
  • PDF से डेटा निकालने की LLMs की क्षमता का परीक्षण किया गया।
  • सबसे प्रभावी तरीका यह था कि पूरी datasheet को LLM में upload किया जाए और फिर इंटरैक्टिव तरीके से बारीक विवरण पूछे जाएँ।
  • इस काम में Gemini 1.5 ने सबसे विश्वसनीय प्रदर्शन दिखाया।
  • यह pin table और BGA footprint बनाने में सफल रहा।

सर्किट डिज़ाइन

  • यह परीक्षण किया गया कि क्या LLMs स्वयं सर्किट डिज़ाइन कर सकते हैं।
  • उदाहरण: इलेक्ट्रेट microphone के लिए preamp डिज़ाइन।
  • Claude 3 Opus ने सबसे अच्छा उत्तर दिया।
  • हालांकि, इसमें कुछ गलत निर्णय और अशुद्ध सर्किट डिज़ाइन शामिल थे।
  • LLMs सूचना extraction और transformation कार्यों में अच्छे हैं, लेकिन मूल डिज़ाइन synthesis में संघर्ष करते हैं।

निष्कर्ष

  • सर्किट बोर्ड डिज़ाइन में बहुत अधिक सटीकता की आवश्यकता होती है।
  • LLMs code लिखने में उपयोगी हो सकते हैं।
  • Claude 3 नए domain को सीखने में उपयोगी है।
  • Gemini datasheets से डेटा निकालने में उपयोगी है।
  • GPT-4o ने परीक्षण में सबसे उपयोगी उत्तर नहीं दिए।
  • LLMs सूचना retrieval और code generation में अच्छे हैं, लेकिन training data distribution से बाहर के domains में उनकी सीमाएँ हैं।

GN⁺ की राय

  • LLMs की उपयोगिता: LLMs सर्किट बोर्ड डिज़ाइन में सूचना retrieval और code generation के लिए उपयोगी हो सकते हैं। खासकर datasheets से ज़रूरी जानकारी निकालने में इनकी ताकत दिखती है।
  • सीमाएँ: LLMs मूल डिज़ाइन synthesis में संघर्ष करते हैं। यह training data की सीमाओं से जुड़ा हो सकता है।
  • भविष्य का शोध: LLMs की सर्किट डिज़ाइन क्षमता बेहतर करने के लिए netlist generation कार्यों पर fine-tuning की आवश्यकता है। साथ ही, अधिक डेटा और training की भी ज़रूरत हो सकती है।
  • व्यावहारिक उपयोग: फिलहाल LLMs को सर्किट डिज़ाइन में सहायक tool के रूप में इस्तेमाल किया जा सकता है, लेकिन विशेषज्ञ की समीक्षा और संशोधन आवश्यक हैं। पूर्ण automation की अभी सीमाएँ हैं।
  • आलोचनात्मक दृष्टिकोण: LLMs के उत्तर अक्सर औसत application के अनुसार होते हैं, इसलिए वे विशिष्ट आवश्यकताओं को पूरा नहीं कर पाते। यह वास्तविक डिज़ाइन में गंभीर समस्याएँ पैदा कर सकता है।

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 2024-06-22
Hacker News राय
  • Sonnet 3.5, Opus की तुलना में काफ़ी बेहतर प्रदर्शन दिखाता है, और लागत भी कम आती है। Opus, GPT-4 से बेहतर है। GPT-4o की reasoning क्षमता कमज़ोर है.
  • यह zero-shot LLM की सीमाओं का अच्छा उदाहरण है। लगता है कि approach ही गलत है.
  • जहाँ holistic approach की ज़रूरत हो, वहाँ next-token prediction की बजाय diffusion-आधारित generation architecture ज़्यादा उपयुक्त लगती है.
  • circuit design में LLM का उपयोग, इसे दूसरे complex कामों में उपयोग करने जैसा ही है। यह किसी खास data source से specific data निकालने में उपयोगी है.
  • LLM को किसी specific domain में इस्तेमाल करना हो तो fine-tuning ज़रूरी है। AGI अभी उस stage पर नहीं पहुँचा है जहाँ वह हर domain में दक्षता से काम कर सके.
  • neural network का उपयोग करके combinatorial problems हल करना समय की बर्बादी लगता है। इसके उलट राय सुनना चाहूँगा.
  • AI द्वारा बनाया गया circuit, expert द्वारा डिज़ाइन किए गए circuit की तुलना में लागत और आकार में तीन गुना बड़ा है। कई ज़रूरी connections भी गायब हैं.
  • इसे Flux.ai से compare करके देखना चाहूँगा.
  • इससे NP-complete problems की व्याख्या याद आती है। कंप्यूटर जो जवाब दे, वह सही है या नहीं, यह verify करना असहज लगता है.
  • evolved circuits पर चर्चा, Dr. Adrian Thompson के 90 के दशक के research का उल्लेख किए बिना अधूरी है.
  • circuit design के लिए generative AI जल्द ही प्रमुख रूप बन जाएगा। मजबूत functional blocks के बिना AI circuit generate नहीं कर सकता.
  • circuit board को flatbed scan करके और machine learning का उपयोग करके schematic बनाने का विचार आया। इसकी feasibility कम लगती है.
  • हमें ऐसा AI चाहिए जो datasheet पढ़कर Spice circuit generate करे। लक्ष्य simulation components की library बनाना है.