Technische Samenvatting: PCBWorld - Een Benchmark-omgeving voor Engine-Gegronde PCB-ontwerpautomatisering

1. Probleemstelling

Het routeren van Printed Circuit Boards (PCB's) houdt in dat de pads van elektronische componenten verbonden worden met koperbanen, terwijl strikte ontwerpregels (zoals clearance, spoorbreedte, laagbeperkingen) worden nageleefd om productiebestendigheid te garanderen. Ondanks het cruciale karakter van deze taak, hebben lerende methoden historisch gezien achtergesteld gestreden tegenover traditionele regelgebaseerde routers. De auteurs wijten deze kloof aan twee primaire modelleringsbeperkingen in bestaand onderzoek:

1. Grid-gebaseerde Abstractie: Veel Reinforcement Learning (RL)-benaderingen modelleren routering als cel-voor-cel beweging op een gediscretiseerd raster. Naarmate de gridresolutie toeneemt om aan productie-eisen te voldoen, groeit de zoekruimte exponentieel, wat credit assignment en convergentie bemoeilijkt.
2. Open-Loop Generatie: Recente Large Language Model (LLM)-benaderingen genereren vaak volledige board-bestanden of routeringsscripts in één enkele pass zonder tussenliggende feedback. Zonder interactie met een Electronic Design Automation (EDA) engine, worstelen deze modellen met het voldoen aan de strikte geometrische en connectiviteitsbeperkingen die vereist zijn voor een valide board.

In de praktijk vertrouwt de industrie op menselijke ingenieurs die interactief boards routeren met behulp van EDA-tools, waarbij ze gebruikmaken van real-time Design Rule Check (DRC) feedback om fouten te corrigeren en haalbaarheid te garanderen. Het artikel betoogt dat AI-agenten deze "engine-gegronde" interactieve lus moeten repliceren om competitieve prestaties te behalen.

2. Methodologie

PCBWorld: De Omgeving

De kernbijdrage is PCBWorld, een open-source, engine-gegronde omgeving gebouwd op de KiCad open-source EDA-suite. In tegenstelling tot GUI-gestuurde agenten of abstracte grid-omgevingen, legt PCBWorld de KiCad-routering engine direct bloot via 58 Python-API's.

• Interactie-lus: Agenten interageren met de omgeving stap-voor-stap door native KiCad-operaties aan te roepen (bijv. start_route, make_line, make_via, finish).
• Toestandsrepresentatie: De toestand is een geneste dictionary die de exacte board-geometrie, connectiviteit en DRC-status vastlegt, waardoor verlieslatende abstracties zoals grids of gerenderde afbeeldingen worden vermeden.
• Actieruimte: Acties zijn hoog-niveau routeringscommando's (het selecteren van nets, het tekenen van segmenten, het plaatsen van vias) in plaats van primitieve grid-bewegingen. De actieruimte wordt beperkt door de kandidaat-punten van de engine (pad-centra, track-eindpunten) om syntactische validiteit te waarborgen.
• Feedback: Bij elke stap ontvangt de agent de bijgewerkte board-toestand en DRC-feedback (schendingen, connectiviteitsstatus).
• Wrappers: De omgeving biedt op maat gemaakte wrappers voor zowel RL-policies (getokeniseerde sequenties) als tool-gebruikende LLM-agenten (gestructureerde tool-call schema's), waardoor zowel RL als LLM binnen dezelfde MDP kunnen trainen en handelen.

PCBWorld-Bench: De Benchmark

Bij de omgeving hoort PCBWorld-Bench, een benchmark-suite bestaande uit drie dataset-families in het native .kicad_pcb formaat van KiCad:

1. D1 (Synthetisch Grid-gebaseerd): Repliceert grid-routeringstaken van de Jumanji Connector-omgeving over vijf grid-groottes (10 tot 500) om schaalbaarheid te testen.
2. D2 (Synthetisch Gridloos): Een synthetische dataset van 2-laagse boards met configureerbare net- en pad-aantallen, ontworpen voor training en zero-shot evaluatie.
3. D3 (Echte Open-Source): Een gecureerde set van 679 echte open-source boards afgeleid van de PCBench corpus, geconverteerd naar KiCad 9-formaat. Deze zijn gestratificeerd op complexiteit (Small, Medium, Large) en dienen als het primaire doel voor zero-shot evaluatie.

Evaluatiemetrieken:
De benchmark scoort voltooide boards met behulp van de DRC van de KiCad-engine. Belangrijke metrieken zijn:

• Clean Pass (CP): Het aandeel boards dat volledig verbonden is en nul design-rule violations (DRVs) heeft.
• Potentiële Winst: Verbetering in board-kwaliteit (verminderde draadlengte, via-aantal en DRVs) ten opzichte van het kale board.
• Routeerbaarheid: Het fractie van vereiste verbindingen die succesvol gerouteerd zijn.
• Fysieke Kosten: Totale draadlengte en aantal vias.

Beloningsformulering

De RL-doelstelling is geformuleerd als een geconstraineerd optimalisatieprobleem: minimaliseer draadlengte en via-aantal onder de voorwaarde van nul DRVs. De beloningsfunctie gebruikt een potential-based shaping benadering:
$$\Phi(s) = - (f_d(n_{drv}(s)) + \lambda_w \ell(s) + \lambda_v n_{via}(s))$$
waarbij $f_d$ een concave straffunctie is die de eerste schending op elk net zwaar bestraft, wat de policy richting DRV-vrije oplossingen stuurt.

3. Belangrijkste Bijdragen

1. Engine-Gegronde Framework: De eerste PCB-routeringomgeving die native EDA-engine operaties blootstelt aan agenten, wat interactieve, feedback-gestuurde routering mogelijk maakt die vergelijkbaar is met menselijke workflows.
2. Verenigde Benchmark: Een uitgebreide benchmark (PCBWorld-Bench) die diverse typen agenten ondersteunt (RL, LLM, regelgebaseerd) met een verenigd evaluatieprotocol gebaseerd op engine-geverifieerde uitkomsten.
3. Demonstratie van Zero-Shot Transfer: Bewijs dat policies getraind op eenvoudige synthetische data kunnen transfereren naar complexe, real-world open-source boards zonder fine-tuning.
4. Analyse van Engine-Engagement: Een systematische vergelijking die aantoont dat interactieve, engine-gegronde agenten significant beter presteren dan open-loop (plan-only of engine-free) LLM-baselines.

4. Experimentele Resultaten

Schaalbaarheid van Actie-Abstractie

Op de synthetische grid-gebaseerde dataset (D1) vergeleken de auteurs PCBWorld's segment-level API-acties (PPO) met grid-actie baselines (A2C, Sable).

• Resultaat: Naarmate de gridresolutie toenam, stortten grid-actie baselines in (A2C faalde bij grid 100; Sable bij grid 200) door de exploderende horizon. In contrast hield de PPO-agent die KiCad-API acties gebruikt een bijna perfecte routeerbaarheid aan over alle grid-groottes, wat aantoont dat segment-level acties de beslissingscomplexiteit ontkoppelen van de gridresolutie.

Prestaties op Real Boards (D3)

• RL Agents: Een compacte Transformer policy getraind vanaf nul op synthetische data (D2) behaalde een Clean Pass (CP) van 0,86 op kleine real-world boards (D3-A), waarmee het alle LLM-baselines versloeg en gelijk kwam aan of beter presteerde dan regelgebaseerde routers zoals Freerouting. Op grotere boards (D3-B) behaalde het een CP van 0,45, wat competitief bleef maar de grenzen van generalisatie naar zeer complexe topologieën liet zien.
• LLM Agents: Interactieve LLM-agenten (bijv. GPT-5.4) behaalden een CP van 0,65 op D3-A, wat significant beter is dan hun niet-interactieve tegenhangers (Plan-only: 0,19; Engine-free: 0,02). Echter, LLM's hadden moeite met grotere boards (CP 0,00 op D3-B) en vertoonden een hoge inferentie-latentie (minuten per board versus seconden voor RL).
• Regelgebaseerde Routers: Freerouting bleef de sterkste baseline op grote boards (CP 0,78 op D3-B), wat benadrukt dat decennia aan heuristische tuning nog steeds waarde hebben voor complexe gevallen.

Impact van Engine Engagement

De studie bevestigde dat interactieve betrokkenheid met de engine cruciaal is. Agenten die volledige board-bestanden genereerden zonder feedback (Engine-free) slaagden er niet in om valide KiCad-syntaxis te produceren of aan de designregels te voldoen. Agenten die acties planten zonder feedback (Plan-only) bereikten betere connectiviteit, maar leden nog steeds aanzienlijke DRVs. Alleen de interactieve agenten, die na elke stap DRC-feedback observeerden, produceerden consistent schone, produceerbare boards.

5. Betekenis en Claims

Het artikel positioneert PCBWorld als een fundamentele stap naar het bevorderen van lerende PCB-ontwerpautomatisering.

• Paradigmaverschuiving: Het betoogt dat de weg vooruit voor AI in EDA ligt in "engine-gegronde" interactie in plaats van statische generatie of abstracte grid-modellering.
• Praktische Leefbaarheid: De resultaten suggereren dat RL-agenten getraind op synthetische data praktische routeringscapaciteiten kunnen bereiken op real-world boards, waarbij ze de prestaties van gevestigde regelgebaseerde routers benaderen.
• LLM Potentieel en Limieten: Hoewel huidige LLM's veelbelovend zijn in geometrisch redeneren wanneer ze door een engine worden gestuurd, duiden hun trage inferentie en onvermogen om te schalen naar complexe boards zonder fine-tuning erop dat ze nog niet klaar zijn om traditionele routers te vervangen voor taken met hoge complexiteit.
• Open Fundament: Door de omgeving, datasets en baselines vrij te geven, beogen de auteurs een gedeeld platform te bieden voor het evalueren van agentic AI in EDA, wat vooruitgang stimuleert in zowel RL als tool-gebruikend LLM-onderzoek.

De auteurs concluderen dat hoewel er nog aanzienlijke uitdagingen zijn (met name het schalen naar grote, complexe boards en het integreren van signaalintegriteitsbeperkingen), de engine-gegronde, interactieve aanpak een veelbelovende en noodzakelijke basis biedt voor de volgende generatie PCB-routeringsagenten.