기술 요약: SchGen - 의미 기반 코드 표현을 활용한 PCB 회로도 생성

문제 제기

인쇄 회로 기판 (PCB) 회로도 설계는 전자 하드웨어 개발의 기초 단계이지만, 여전히 전자 설계 자동화 (EDA) 도구에 의존하는 수동적이고 전문성이 요구되는 과정입니다. 생성형 AI 가 디지털 및 아날로그 집적 회로 (IC) 설계에서 진전을 이루었음에도 불구하고, 자연어 의도에서 PCB 회로도를 생성하는 작업은 여전히 largely 미개척 영역입니다.

이 분야의 진전을 방해하는 주요 과제는 다음과 같습니다:

1. 표현 불일치: 기존 회로도 형식 (예: 원시 KiCad 파일) 은 방대한 양의 도구별 메타데이터와 기하학적 설명이 주를 이루고 있습니다. 이러한 형식은 대규모 언어 모델 (LLM) 이 신뢰성 있게 파싱하기 어려워 포맷 오류와 사용 불가능한 출력물을 초래합니다. 반면, 이미지 기반 표현은 직접 편집하거나 기계가 읽을 수 없습니다.
2. 데이터 부족: 오픈소스 하드웨어 설계가 존재하지만, 이들은 이질적인 형식으로 존재하며 종종 인간의 가시화를 위한 정적 이미지로 제공되어 편집 가능한 소스 파일이 아닌 경우가 많아 대규모 데이터셋 훈련에 재사용하기 어렵습니다.
3. 작업의 복잡성: 디지털 논리 (부울) 나 아날로그 IC(위상 주도) 와 달리, PCB 회로도는 다양한 구성 요소 (디지털/아날로그 IC, 수동 소자, 커넥터) 와 자연어로 된 고수준 기능 요구사항에 의해 주도되는 복잡한 배선을 포함합니다.

방법론

1. 의미 기반 코드 표현

표현 병목 현상을 해결하기 위해 저자들은 새로운 의미 기반 코드 표현을 도입하여, 회로도 생성을 절대 기하학 예측 문제에서 의미 주도 매칭 작업으로 변환합니다. 이 표현은 커스텀 Python API 를 사용하여 구조화된 편집 작업의 연속으로 회로도 설계 과정을 추상화합니다:

• 편집 원시 연산: API 에는 add_schematic_symbol, add_label, get_pin_location, connect_pins 와 같은 함수가 포함됩니다.
• 상대적 배치: 절대 좌표 대신 기준 구성 요소로부터의 상대적 오프셋을 갖는 로컬 좌표계를 사용합니다. 이는 LLM 의 공간 추론 부담을 줄입니다.
• 핀 이름 기반 배선: 연결은 절대 와이어 좌표가 아닌 의미 있는 핀 이름 (예: VCC, TXD, GPIO1) 으로 정의됩니다. 이는 인간 엔지니어가 회로 연결성을 추론하는 방식과 부합합니다.
• 출력: 이 코드를 실행하면 유효하고 편집 가능한 KiCad 회로도 파일이 생성됩니다.

2. 인간 - 에이전트 협업 데이터 파이프라인

데이터 부족을 극복하기 위해 저자들은 오픈소스 하드웨어 설계 (SparkFun 제공) 를 제안된 코드 표현으로 변환하는 파이프라인을 사용하여 1,390 개의 고유한 회로도 설계 (데이터 증강을 통해 8,420 개 샘플로 확장) 의 대규모 데이터셋을 구축했습니다:

• 에이전트 스케치: 멀티모달 LLM(예: GPT-5) 이 회로도 이미지로부터 초기 Python 코드 초안을 생성합니다. 시스템은 실행 피드백 (구문 오류, 불법 심볼) 을 기반으로 반복하여 "스케치" 버전을 생성합니다.
• 인간 정렬: 인간 엔지니어가 스케치를 검토하고 수정하여 원래 참조 설계와의 정렬을 보장하며, LLM 이 어려워하는 복잡한 와이어 연결을 수정합니다.
• 회로도 - 코드 변환: 파서가 정렬된 KiCad 파일을 다시 구조화된 코드 표현으로 변환하여 데이터셋이 실행 가능하고 오류가 없는 코드로 구성되도록 합니다.
• 프롬프트 합성: 사용자 요청은 멀티모달 LLM 을 사용하여 합성되어 코드와 짝을 이루는 다양한 프롬프트 (간결하고 상세한) 를 생성합니다.

3. 모델 학습

저자들은 GPT-oss-20b(200 억 파라미터 모델) 를 미세 조정하여 SchGen을 만들었습니다.

• 지도 미세 조정 (SFT): 모델은 사용자 프롬프트와 회로도 코드가 짝을 이룬 데이터셋으로 학습됩니다.
• 생각의 사슬 (CoT): 데이터셋은 더 큰 모델 (GPT-oss-120B) 이 생성한 증류된 추론 단계로 증강되어 모델의 회로도 생성 과정을 계획하는 능력을 향상시킵니다.

주요 기여

1. 새로운 작업 정의: 이 논문은 자연어 프롬프트에서 편집 가능한 PCB 회로도를 생성하는 작업을 정의하며, 이는 생성형 AI 가 이전에 탐구하지 않았던 영역입니다.
2. SchGen 모델: 사용자 요청에서 직접 편집 가능한 PCB 회로도를 생성할 수 있는 최초의 LLM 인 SchGen 을 소개합니다.
3. 의미 기반 표현: 회로도 설계를 상대적 배치와 핀 이름 연결로 추상화하는 새로운 코드 표현으로, 원시 파일 형식에 비해 학습 가능성과 생성 품질을 크게 향상시킵니다.
4. 대규모 데이터셋: 확장 가능한 인간 - 에이전트 협업 파이프라인을 통해 생성된 1,390 개의 고유한 회로도 유형과 사용자 프롬프트가 짝을 이룬 고품질 데이터셋을 구축했습니다.

실험 결과

저자들은 SchGen 을 다양한 표현을 가진 절충 변형, 원시 KiCad 파일 베이스라인, 그리고 최첨단 범용 LLM(GPT-5.2, GPT-o4mini, Grok-4) 과 비교 평가했습니다.

• 표현 유효성: 제안된 Code-L1 표현 (상대 좌표 및 핀 이름 연결 포함) 은 82.00% 의 유효 회로율과 60.5% 의 전문가 검증 기능 정확도를 달성했습니다. 이는 다음과 같은 것들보다 현저히 우수합니다:
  • Code-L2(상대 좌표 없음): 78.16% 유효, 33.0% 기능 정확도.
  • Code-L3(핀 이름 연결 없음): 76.40% 유효, 6.0% 기능 정확도.
  • 원시 KiCad 파일: 32.45% 유효 회로 및 3.0% 기능 정확도.
• 최첨단 모델과의 비교: 200 억 파라미터만으로도 SchGen 은 동일한 표현을 사용할 때 더 큰 모델 (GPT-5.2 포함) 을 모든 지표에서 능가했습니다. 예를 들어, SchGen 은 60.5% 의 기능 정확도를 달성한 반면, 동일한 Code-L1 표현을 사용한 GPT-5.2 는 50.0% 였습니다.
• 일반화: GitHub 프로젝트의 보이지 않는 분포 외 테스트 세트에서 SchGen 은 높은 성능을 유지하며 GPT-5.2 의 네트리스트 정확도 (자카드 유사도 40.65% 대 40.64%) 와 일치하여 모델이 학습된 설계 논리를 일반화할 수 있음을 보여주었습니다.

중요성 및 주장

이 논문은 표현 설계가 복잡한 하드웨어 설계 작업에 생성형 모델을 적용하는 데 있어 결정적인 촉진제라고 주장합니다. 결과는 다음과 같은 점을 강조합니다:

• 기하학 주도 생성을 의미 주도 매칭 작업으로 변환함으로써 LLM 이 공간 추론과 기능적 의도를 모두 효과적으로 포착할 수 있게 됩니다.
• 잘 구조화된 도메인 특화 표현은 더 작고 미세 조정된 모델이 훨씬 더 크고 범용적인 최첨단 모델을 능가할 수 있게 합니다.
• 제안된 파이프라인은 역사적으로 PCB 워크플로우에서 가장 자동화되지 않았던 부분인 회로도 설계 단계를 자동화할 수 있는 실현 가능한 경로를 보여줍니다.

저자들은 특정 소스 (SparkFun) 의 구조화된 회로도에 대한 현재 초점과 고급 PCB 제약 조건 (예: 고속 라우팅, EMI) 모델링의 부재 등 한계를 지적합니다. 그들은 생성된 회로도의 견고성과 안전성을 보장하기 위해 인간의 개입이 여전히 필요하며, SchGen 을 완전한 자율 솔루션이 아닌 전자 설계의 더 넓은 자동화를 향한 기초적인 단계로 위치시킵니다.