Technische Samenvatting: SchGen - PCB-schemageneratie met semantisch-gebaseerde code-representaties

Probleemstelling

Het ontwerpen van printplaat (PCB)-schema's is een fundamentele stap in de ontwikkeling van elektronische hardware, maar het blijft een handmatig proces dat veel expertise vereist en afhankelijk is van Electronic Design Automation (EDA)-tools. Hoewel generatieve AI vooruitgang heeft geboekt in het ontwerp van digitale en analoge geïntegreerde schakelingen (IC's), blijft de generatie van PCB-schema's op basis van intenties in natuurlijke taal grotendeels onontgonnen terrein.

De belangrijkste uitdagingen die vooruitgang op dit gebied belemmeren, zijn:

1. Mismatch in representatie: Bestaande schemaformaten (bijv. ruwe KiCad-bestanden) worden gedomineerd door uitgebreide, tool-specifieke metadata en geometrie-rijke beschrijvingen. Deze formaten zijn moeilijk voor Large Language Models (LLM's) om betrouwbaar te parseren, wat leidt tot opmaakfouten en onbruikbare outputs. Omgekeerd zijn op afbeeldingen gebaseerde representaties niet direct bewerkbaar of machine-leesbaar.
2. Schaarste aan data: Hoewel er open-source hardwareontwerpen beschikbaar zijn, bestaan deze in heterogene formaten, vaak als statische afbeeldingen voor menselijke weergave in plaats van bewerkbare bronbestanden, waardoor ze moeilijk te hergebruiken zijn voor het trainen van datasets op grote schaal.
3. Complexiteit van de taak: In tegenstelling tot digitale logica (Booleaans) of analoge IC's (topologie-gedreven), omvatten PCB-schema's diverse componenten (digitale/analoge IC's, passieve componenten, connectoren) en complexe bedrading die wordt aangestuurd door hoog-niveau functionele vereisten in natuurlijke taal.

Methodologie

1. Semantisch-gebaseerde code-representatie

Om de bottleneck in representatie aan te pakken, introduceren de auteurs een nieuwe semantisch-gebaseerde code-representatie die de schemageneratie transformeert van een probleem van het voorspellen van absolute geometrie naar een semantisch-gedreven matching-taak. Deze representatie abstracteert het schemaontwerpproces in een reeks gestructureerde bewerkingsoperaties met behulp van een aangepaste Python-API:

• Bewerkingsprimitieven: De API bevat functies zoals add_schematic_symbol, add_label, get_pin_location en connect_pins.
• Relatieve plaatsing: In plaats van absolute coördinaten, gebruikt het systeem lokale coördinatenstelsels met relatieve verschuivingen ten opzichte van ankercomponenten. Dit vermindert de last van ruimtelijk redeneren voor LLM's.
• Bedrading op basis van pinnaam: Verbindingen worden gedefinieerd op basis van semantische pinnamen (bijv. VCC, TXD, GPIO1) in plaats van absolute draadcoördinaten. Dit sluit aan bij hoe menselijke ingenieurs nadenken over circuitconnectiviteit.
• Output: Het uitvoeren van deze code genereert een geldig, bewerkbaar KiCad-schema bestand.

2. Mens-agent collaboratieve datapijplijn

Om de schaarste aan data te overwinnen, hebben de auteurs een dataset op grote schaal samengesteld van 1.390 unieke schema-ontwerpen (uitgebreid tot 8.420 samples via data-augmentatie) met behulp van een pijplijn die open-source hardwareontwerpen (van SparkFun) converteert naar de voorgestelde code-representatie:

• Agentische schets: Multi-modale LLM's (bijv. GPT-5) genereren eerste concepten van Python-code op basis van schema-afbeeldingen. Het systeem iteratieert op basis van uitvoerfeedback (syntaxisfouten, onwettige symbolen) om een "schets"-versie te produceren.
• Menselijke afstemming: Menselijke ingenieurs beoordelen en corrigeren de schetsen om afstemming met de originele referentieontwerpen te waarborgen, en herstellen complexe draadverbindingen waar LLM's moeite mee hebben.
• Conversie van schema naar code: Een parser converteert de afgestemde KiCad-bestanden terug naar de gestructureerde code-representatie, zodat de dataset bestaat uit uitvoerbare, foutloze code.
• Synthese van prompts: Gebruikeraanvragen worden gesynthetiseerd met behulp van multi-modale LLM's om diverse prompts (kernachtig en gedetailleerd) te creëren die gekoppeld zijn aan de code.

3. Modeltraining

De auteurs hebben GPT-oss-20b (een model met 20 miljard parameters) fijn afgestemd om SchGen te creëren.

• Supervised Fine-Tuning (SFT): Het model wordt getraind op het gekoppelde dataset van gebruikersprompts en schemacode.
• Chain-of-Thought (CoT): De dataset wordt aangevuld met gedistilleerde redeneerstappen die zijn gegenereerd door grotere modellen (GPT-oss-120B) om het vermogen van het model om het proces van schemageneratie te plannen, te verbeteren.

Belangrijkste bijdragen

1. Nieuwe taakdefinitie: Het artikel definieert de taak van het genereren van bewerkbare PCB-schema's uit prompts in natuurlijke taal, een domein dat eerder niet was onderzocht door generatieve AI.
2. SchGen-model: De introductie van SchGen, de eerste LLM die in staat is om direct bewerkbare PCB-schema's te genereren op basis van gebruikersverzoeken.
3. Semantisch-gebaseerde representatie: Een nieuwe code-representatie die schema-ontwerp abstracteert tot relatieve plaatsing en connectiviteit op basis van pinnaam, wat de leerbaarheid en de kwaliteit van de generatie aanzienlijk verbetert in vergelijking met ruwe bestandsformaten.
4. Dataset op grote schaal: De constructie van een hoogwaardige dataset van 1.390 unieke schema-types gekoppeld aan gebruikersprompts, gemaakt via een schaalbare mens-agent collaboratieve pijplijn.

Experimentele resultaten

De auteurs hebben SchGen geëvalueerd tegenover ablatievarianten (verschillende representaties), baselines van ruwe KiCad-bestanden en geavanceerde algemene LLM's (GPT-5.2, GPT-o4mini, Grok-4).

• Effectiviteit van representatie: De voorgestelde Code-L1-representatie (met relatieve coördinaten en connectiviteit op basis van pinnaam) behaalde een geldigheidspercentage van 82,00% voor circuits en 60,5% functionele correctheid geverifieerd door experts. Dit presteerde aanzienlijk beter dan:
  • Code-L2 (zonder relatieve coördinaten): 78,16% geldig, 33,0% functionele correctheid.
  • Code-L3 (zonder connectiviteit op basis van pinnaam): 76,40% geldig, 6,0% functionele correctheid.
  • Ruwe KiCad-bestanden: Slechts 32,45% geldige circuits en 3,0% functionele correctheid.
• Vergelijking met geavanceerde modellen: Ondanks dat het slechts 20 miljard parameters heeft, presteerde SchGen beter dan grotere modellen (inclusief GPT-5.2) op alle metrieken bij gebruik van dezelfde representatie. Bijvoorbeeld, SchGen behaalde 60,5% functionele correctheid tegenover 50,0% voor GPT-5.2 (met gebruik van dezelfde Code-L1-representatie).
• Generalisatie: Op een onzichtbare testset buiten de verdeling, afkomstig van GitHub-projecten, behield SchGen hoge prestaties, waarbij het de netlist-accuraatheid van GPT-5.2 evenaarde (40,65% versus 40,64% Jaccard-similariteit), wat het vermogen van het model om geleid ontwerplogica te generaliseren, aantoont.

Betekenis en claims

Het artikel beweert dat ontwerp van representatie de kritieke enableerder is voor het toepassen van generatieve modellen op complexe hardwareontwerptaken. De resultaten benadrukken dat:

• Het transformeren van geometrie-gedreven generatie naar een semantisch-gedreven matching-taak LLM's in staat stelt om effectief zowel ruimtelijk redeneren als functionele intentie vast te leggen.
• Een goed gestructureerde, domeinspecifieke representatie een kleiner, fijn afgestemd model in staat kan stellen om veel grotere, algemene geavanceerde modellen te overtreffen.
• De voorgestelde pijplijn een haalbare weg demonstreert voor het automatiseren van de schemafase, die historisch gezien het minst geautomatiseerde deel van de PCB-werkstroom is geweest.

De auteurs wijzen op beperkingen, waaronder de huidige focus op gestructureerde schema's uit specifieke bronnen (SparkFun) en het ontbreken van modellering voor geavanceerde PCB-beperkingen (bijv. high-speed routing, EMI). Ze benadrukken dat menselijke betrokkenheid noodzakelijk blijft om de robuustheid en veiligheid van gegenereerde schema's te waarborgen, en positioneren SchGen als een fundamentele stap naar bredere automatisering in elektronisch ontwerp in plaats van een volledig autonoom oplossing.