Resumo Técnico: SchGen - Geração de Esquemas de PCB com Representações de Código Fundamentadas Semânticamente

Declaração do Problema

O projeto de esquemas de Placas de Circuito Impresso (PCB) é uma etapa fundamental no desenvolvimento de hardware eletrônico, mas permanece um processo manual e intensivo em expertise, dependente de ferramentas de Automação de Projeto Eletrônico (EDA). Embora a IA generativa tenha avançado no projeto de Circuitos Integrados (CI) digitais e analógicos, a geração de esquemas de PCB a partir de intenções em linguagem natural permanece amplamente inexplorada.

Os principais desafios que impedem o progresso nesta domínio são:

1. Incompatibilidade de Representação: Os formatos de esquema existentes (por exemplo, arquivos KiCad brutos) são dominados por metadados verbosos e específicos de ferramentas e descrições pesadas em geometria. Esses formatos são difíceis para Modelos de Linguagem de Grande Escala (LLMs) analisar com confiabilidade, levando a erros de formatação e saídas inutilizáveis. Por outro lado, representações baseadas em imagens não são diretamente editáveis ou legíveis por máquinas.
2. Escassez de Dados: Embora existam projetos de hardware de código aberto, eles existem em formatos heterogêneos, frequentemente como imagens estáticas para visualização humana e não como arquivos fonte editáveis, tornando-os difíceis de reutilizar para treinar conjuntos de dados em grande escala.
3. Complexidade da Tarefa: Diferentemente da lógica digital (Booleana) ou de CIs analógicos (orientados por topologia), os esquemas de PCB envolvem componentes diversos (CIs digitais/analógicos, passivos, conectores) e fiação complexa impulsionada por requisitos funcionais de alto nível em linguagem natural.

Metodologia

1. Representação de Código Fundamentada Semânticamente

Para abordar o gargalo de representação, os autores introduzem uma nova representação de código fundamentada semânticamente que transforma a geração de esquemas de um problema de previsão de geometria absoluta em uma tarefa de correspondência orientada por semântica. Esta representação abstrai o processo de projeto de esquemas em uma série de operações de edição estruturadas usando uma API Python personalizada:

• Primitivas de Edição: A API inclui funções como add_schematic_symbol, add_label, get_pin_location e connect_pins.
• Posicionamento Relativo: Em vez de coordenadas absolutas, o sistema utiliza sistemas de coordenadas locais com deslocamentos relativos em relação a componentes de ancoragem. Isso reduz a carga de raciocínio espacial sobre os LLMs.
• Fiação Baseada em Nomes de Pinos: As conexões são definidas por nomes semânticos de pinos (por exemplo, VCC, TXD, GPIO1) em vez de coordenadas absolutas de fios. Isso alinha-se com a forma como engenheiros humanos raciocinam sobre a conectividade de circuitos.
• Saída: A execução deste código gera um arquivo de esquema KiCad válido e editável.

2. Pipeline de Dados Colaborativo Humano-Agente

Para superar a escassez de dados, os autores construíram um conjunto de dados em grande escala de 1.390 projetos de esquemas únicos (expandido para 8.420 amostras via aumento de dados) usando um pipeline que converte projetos de hardware de código aberto (da SparkFun) na representação de código proposta:

• Esboço Agente: LLMs multimodais (por exemplo, GPT-5) geram rascunhos iniciais de código Python a partir de imagens de esquemas. O sistema itera com base no feedback de execução (erros de sintaxe, símbolos ilegais) para produzir uma versão "esboço".
• Alinhamento Humano: Engenheiros humanos revisam e corrigem os esboços para garantir o alinhamento com os projetos de referência originais, corrigindo conexões complexas de fios com as quais os LLMs têm dificuldade.
• Conversão Esquema-para-Código: Um analisador sintático (parser) converte os arquivos KiCad alinhados de volta para a representação de código estruturada, garantindo que o conjunto de dados consista em código executável e livre de erros.
• Síntese de Prompt: Solicitações de usuários são sintetizadas usando LLMs multimodais para criar prompts diversos (concisos e detalhados) emparelhados com o código.

3. Treinamento do Modelo

Os autores ajustaram finamente o GPT-oss-20b (um modelo de 20 bilhões de parâmetros) para criar o SchGen.

• Ajuste Fino Supervisionado (SFT): O modelo é treinado no conjunto de dados emparelhado de prompts de usuários e código de esquema.
• Cadeia de Pensamento (CoT): O conjunto de dados é aumentado com etapas de raciocínio destiladas geradas por modelos maiores (GPT-oss-120B) para aprimorar a capacidade do modelo de planejar o processo de geração de esquemas.

Contribuições Principais

1. Nova Definição de Tarefa: O artigo define a tarefa de gerar esquemas de PCB editáveis a partir de prompts em linguagem natural, um domínio anteriormente inexplorado pela IA generativa.
2. Modelo SchGen: A introdução do SchGen, o primeiro LLM capaz de gerar esquemas de PCB editáveis diretamente a partir de solicitações de usuários.
3. Representação Fundamentada Semânticamente: Uma representação de código inovadora que abstrai o projeto de esquemas em posicionamento relativo e conectividade baseada em nomes de pinos, melhorando significativamente a aprendibilidade e a qualidade de geração em comparação com formatos de arquivo brutos.
4. Conjunto de Dados em Grande Escala: A construção de um conjunto de dados de alta qualidade de 1.390 tipos de esquemas únicos emparelhados com prompts de usuários, criado via um pipeline escalável de colaboração humano-agente.

Resultados Experimentais

Os autores avaliaram o SchGen contra variantes de ablação (diferentes representações), baselines de arquivos KiCad brutos e LLMs gerais de fronteira (GPT-5.2, GPT-o4mini, Grok-4).

• Eficácia da Representação: A representação Code-L1 proposta (com coordenadas relativas e conectividade baseada em nomes de pinos) alcançou uma taxa de circuito válido de 82,00% e 60,5% de correção funcional verificada por especialistas. Isso superou significativamente:
  • Code-L2 (sem coordenadas relativas): 78,16% válido, 33,0% de correção funcional.
  • Code-L3 (sem conectividade baseada em nomes de pinos): 76,40% válido, 6,0% de correção funcional.
  • Arquivos KiCad Brutos: Apenas 32,45% de circuitos válidos e 3,0% de correção funcional.
• Comparação com Modelos de Fronteira: Apesar de ter apenas 20B de parâmetros, o SchGen superou modelos maiores (incluindo o GPT-5.2) em todas as métricas ao usar a mesma representação. Por exemplo, o SchGen alcançou 60,5% de correção funcional comparado a 50,0% para o GPT-5.2 (usando a mesma representação Code-L1).
• Generalização: Em um conjunto de testes não vistos, fora da distribuição, proveniente de projetos do GitHub, o SchGen manteve alto desempenho, igualando a precisão da lista de conexões (netlist) do GPT-5.2 (40,65% vs. 40,64% de similaridade Jaccard), demonstrando a capacidade do modelo de generalizar a lógica de projeto aprendida.

Significado e Alegações

O artigo alega que o design de representação é o habilitador crítico para aplicar modelos generativos a tarefas complexas de projeto de hardware. Os resultados destacam que:

• Transformar a geração orientada por geometria em uma tarefa de correspondência orientada por semântica permite que os LLMs capturem efetivamente tanto o raciocínio espacial quanto a intenção funcional.
• Uma representação bem estruturada e específica de domínio pode permitir que um modelo menor e ajustado finamente supere modelos de fronteira muito maiores e de propósito geral.
• O pipeline proposto demonstra um caminho viável para automatizar a etapa de projeto de esquemas, que historicamente foi a parte menos automatizada do fluxo de trabalho de PCB.

Os autores notam limitações, incluindo o foco atual em esquemas estruturados de fontes específicas (SparkFun) e a falta de modelagem para restrições avançadas de PCB (por exemplo, roteamento de alta velocidade, EMI). Eles enfatizam que a participação humana permanece necessária para garantir a robustez e a segurança dos esquemas gerados, posicionando o SchGen como um passo fundamental em direção a uma automação mais ampla no projeto eletrônico, em vez de uma solução totalmente autônoma.