Spicing up Genetic Netlist Generation with LLMs
यह शोध पत्र LLM-SPICEMixer का परिचय देता है, जो एक हाइब्रिड फ्रेमवर्क है जो एनालॉग सर्किट टोपोलॉजी संश्लेषण को बढ़ाने के लिए जेनेटिक नेटलिस्ट जनरेशन में एक LLM-आधारित प्रपोजल ऑपरेटर (IGEL) को एकीकृत करता है, जिससे पारंपरिक तरीकों की तुलना में एक बेंचमार्क आइरिस (Iris) वर्गीकरण कार्य में काफी अधिक सटीकता और मजबूती प्राप्त होती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एनालॉग सर्किट डिजाइन करना एक घास के ढेर में सुई खोजने जैसा है, जहाँ घास का ढेर अरबों संभावित व्यवस्थाओं से बना है और सुई एक काम करने वाला उपकरण है। इलेक्ट्रॉनिक्स की दुनिया में, एनालॉग सर्किट वे घटक हैं जो निरंतर संकेतों (continuous signals) को संभालते हैं, जैसे कि माइक्रोफ़ोन से वोल्टेज या सौर पैनल से करंट। डिजिटल चिप्स के विपरीत जो केवल चालू या बंद होते हैं, इन सर्किट्स को अत्यधिक सटीकता के साथ ट्यून किया जाना चाहिए; एक ट्रांजिस्टर को जोड़ने के तरीके में मामूली बदलाव भी पूरे डिवाइस को विफल कर सकता है या उसे अप्रत्याशित बना सकता है। दशकों से, इंजीनियर इन काम करने वाले डिजाइनों की खोज के लिए जटिल कंप्यूटर एल्गोरिदम पर भरोसा करते आए हैं, लेकिन यह प्रक्रिया अक्सर धीमी होती है और गलत रास्तों (dead ends) में फंस जाती है। चुनौती यह है कि उन संभावनाओं के विशाल स्थान को खोजने का तरीका ढूँढा जाए जिसमें उन डिजाइनों पर समय बर्बाद न हो जो कभी काम नहीं करेंगे।
सोनी एआई (Sony AI) और कई विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने एक नया दृष्टिकोण पेश किया है जो पारंपरिक कंप्यूटर खोज विधियों को लार्ज लैंग्वेज मॉडल्स (LLMs) की रचनात्मक क्षमताओं के साथ जोड़ता है। ये मॉडल, जो उन्नत चैटबॉट्स के पीछे की समान तकनीक है, आमतौर पर कोड लिखने या प्रश्नों के उत्तर देने के लिए प्रशिक्षित होते हैं। शोधकर्ताओं ने सोचा कि क्या वे इनका उपयोग शून्य से सर्किट डिजाइन करने के लिए नहीं, बल्कि मौजूदा डिजाइनों में छोटे, स्मार्ट सुधारों का सुझाव देने वाले एक रचनात्मक सहायक के रूप में कर सकते हैं। उन्होंने LLM-SPICEMixer नामक एक सिस्टम बनाया, जो प्रयास और त्रुटि (trial and error) के एक निरंतर चक्र को चलाता है। इस चक्र में, एक कंप्यूटर सिमुलेशन हजारों सर्किट डिजाइनों का परीक्षण करता है, सबसे अच्छे डिजाइनों को रखता है और बाकी को हटा देता है। नया मोड़ यह है कि जब सिस्टम को एक नए विचार की आवश्यकता होती है, तो वह भाषा मॉडल (language model) से अब तक मिले सबसे अच्छे डिजाइनों को देखने और एक नया रूपांतर (variation) प्रस्तावित करने के लिए कहता है।
शोधकर्ताओं ने इस प्रणाली का परीक्षण एक विशिष्ट कार्य पर किया: एक ट्रांजिस्टर-लेवल सर्किट बनाना जो आइरिस फूलों (iris flowers) के डेटा को तीन श्रेणियों में वर्गीकृत कर सके। यह मशीन लर्निंग की एक क्लासिक समस्या है, लेकिन यहाँ लक्ष्य सॉफ्टवेयर कोड लिखना नहीं था, बल्कि एक भौतिक इलेक्ट्रॉनिक सर्किट बनाना था जो वोल्टेज स्तरों का उपयोग करके उसी वर्गीकरण को कर सके। सर्किट को चार इनपुट सिग्नल लेने थे जो फूलों के माप का प्रतिनिधित्व करते हैं और तीन आउटपुट सिग्नल देने थे जो फूल के प्रकार को दर्शाते हैं। चूंकि ऐसे सर्किट के लिए कोई मानक ब्लूप्रिंट नहीं है, इसलिए सिस्टम को शून्य से एक काम करने वाली संरचना की खोज करनी थी। भाषा मॉडल को खोज के शीर्ष प्रदर्शन करने वाले सर्किट दिए गए और उससे एक बेहतर संस्करण की कल्पना करने को कहा गया, ठीक वैसे ही जैसे एक मानव इंजीनियर ब्लूप्रिंट पर एक संशोधन का रेखाचित्र बनाता है।
परिणामों ने दिखाया कि भाषा मॉडल को जोड़ने से खोज प्रक्रिया में काफी सुधार हुआ। मॉडल के बिना, पारंपरिक खोज विधि अक्सर बहुत जल्दी स्थिर (converge) हो जाती थी, एक औसत दर्जे के डिजाइन पर रुक जाती थी और बेहतर विकल्प खोजने में विफल रहती थी। मॉडल के सुझावों के साथ, सिस्टम ने अधिक सटीक और मजबूत सर्किट खोजे। हाइब्रिड सिस्टम द्वारा खोजा गया सर्वश्रेष्ठ सर्किट ने आदर्श स्थितियों में 93.3 प्रतिशत की परीक्षण सटीकता प्राप्त की और तापमान एवं वोल्टेज की एक विस्तृत श्रृंखला में 85.9 प्रतिशत की औसत सटीकता बनाए रखी। यह प्रदर्शन उस स्तर से काफी अधिक था जो पारंपरिक विधि ने अकेले हासिल किया था। शोधकर्ताओं ने पाया कि भाषा मॉडल ने केवल मौजूदा डिजाइनों की नकल नहीं की; इसने सबसे अच्छे सर्किटों से उपयोगी पैटर्न को संयोजित करके नए टोपोलॉजी बनाने के लिए सीखा जिन्हें पारंपरिक एल्गोरिदम ने मिस कर दिया था।
हालाँकि, अध्ययन ने यह भी स्पष्ट किया कि भाषा मॉडल क्या नहीं कर सकता है। जब शोधकर्ताओं ने मॉडल से बिना किसी उदाहरण के शून्य से एक पूर्ण सर्किट डिजाइन करने को कहा, तो इसने दोहराव वाले या गैर-कार्यात्मक डिजाइन उत्पन्न किए। मॉडल तब सबसे अच्छा काम करता है जब इसे खोज लूप द्वारा प्रदान किए गए उच्च-गुणवत्ता वाले उदाहरणों द्वारा निर्देशित किया जाता है। यह सुझाव देता है कि जटिल इंजीनियरिंग कार्यों के लिए, आर्टिफिशियल इंटेलिजेंस सबसे प्रभावी तब होता है जब इसका उपयोग मानव या मशीन-जनित विचारों को परिष्कृत करने वाले एक भागीदार के रूप में किया जाता है, न कि एक स्टैंडअलोन डिजाइनर के रूप में। सिस्टम ने यह भी खोजा कि सर्वश्रेष्ठ सर्किट अक्सर उपलब्ध चार फूलों के मापों में से केवल दो पर निर्भर थे, जो डेटा के ज्ञात सांख्यिकीय गुणों के अनुरूप है। इसका तात्पर्य यह है कि सिस्टम केवल अनुमान नहीं लगा रहा था, बल्कि वास्तव में कार्य के लिए सबसे महत्वपूर्ण विशेषताओं की पहचान करना सीख रहा था।
शोधकर्ताओं ने अपने निष्कर्षों का मूल्यांकन नौ बार स्वतंत्र रूप से खोज प्रक्रिया चलाकर किया ताकि यह सुनिश्चित हो सके कि परिणाम सुसंगत हैं और केवल कोई इत्तेफाक नहीं हैं। उन्होंने अन्य उन्नत एल्गोरिदम के मुकाबले अपनी पद्धति की तुलना की और पाया कि उनका हाइब्रिड दृष्टिकोण लगातार बेहतर परिणाम देता है। उन्होंने यह भी परीक्षण किया कि सर्किट वास्तविक दुनिया की खामियों का अनुकरण करते हुए थोड़े शोर (noisy) वाले इनपुट सिग्नल्स के साथ कितनी अच्छी तरह टिकते हैं। भाषा मॉडल की मदद से डिजाइन किए गए सर्किट इनपुट डेटा के विकृत होने पर भी स्थिर और सटीक रहे, जिससे पता चलता है कि खोज प्रक्रिया ने ऐसे समाधान खोजे जो न केवल गणितीय रूप से सही थे बल्कि भौतिक रूप से भी मजबूत थे।
यह कार्य स्वचालित सर्किट डिजाइन के लिए एक आशाजनक मार्ग प्रदर्शित करता है। भाषा मॉडल को एक कठोर सिमुलेशन लूप के भीतर एक प्रस्ताव जनरेटर (proposal generator) के रूप में मानकर, शोधकर्ता पारंपरिक खोज विधियों की कुछ सीमाओं को दूर करने में सक्षम रहे। सिस्टम ने सटीक भौतिक सिमुलेशन की आवश्यकता को प्रतिस्थापित नहीं किया; इसके बजाय, इसने मॉडल के रचनात्मक सुझावों को मान्य करने के लिए सिमुलेशन को सत्य के स्रोत (source of truth) के रूप में उपयोग किया। इस दृष्टिकोण की सफलता बताती है कि जहाँ कोई मानक समाधान मौजूद नहीं है, वहाँ बड़े भाषा मॉडलों की पैटर्न पहचान को भौतिक सिमुलेशन की विश्वसनीयता के साथ जोड़कर नवीन और कुशल इलेक्ट्रॉनिक डिजाइनों की खोज की जा सकती है। निष्कर्ष संकेत देते हैं कि हालांकि आर्टिफिशियल इंटेलिजेंस अभी तक मानव इंजीनियरों को पूरी तरह से बदलने के लिए तैयार नहीं है, फिर भी यह नए सर्किट आर्किटेक्चर की खोज को तेज करने के लिए एक शक्तिशाली उपकरण के रूप में कार्य कर सकता है जो पारंपरिक माध्यमों से अकेले खोजना कठिन है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।