Resumo Técnico: PCBWorld - Um Ambiente de Referência para Automação de Design de PCB Baseado em Engine

1. Declaração do Problema

O roteamento de Placas de Circuito Impresso (PCB) envolve conectar os pads de componentes eletrônicos com trilhas de cobre enquanto se adere a regras de design rigorosas (ex: espaçamento, largura de trilha, restrições de camada) para garantir a manufaturabilidade. Apesar da natureza crítica desta tarefa, métodos baseados em aprendizado historicamente ficaram atrás dos roteadores tradicionais baseados em regras. Os autores atribuem essa lacuna a duas limitações primárias de modelagem na pesquisa atual:

1. Abstração Baseada em Grade: Muitas abordagens de Aprendizado por Reforço (RL) modelam o roteamento como movimento célula a célula em uma grade discretizada. À medida que a resolução da grade aumenta para atender aos requisitos de produção, o espaço de busca cresce exponencialmente, tornando a atribuição de crédito e a convergência difíceis.
2. Geração de Malha Aberta (Open-Loop): Abordagens recentes de Grandes Modelos de Linguagem (LLM) frequentemente geram arquivos de placa completos ou scripts de roteamento em uma única passagem sem feedback intermediário. Sem interação com um motor de Automação de Design Eletrônico (EDA), esses modelos têm dificuldade em satisfazer as restrições geométricas e de conectividade rigorosas necessárias para uma placa válida.

A prática da indústria depende de engenheiros humanos que roteiam placas de forma interativa usando ferramentas EDA, aproveitando o feedback de Verificação de Regras de Design (DRC) em tempo real para corrigir erros e garantir a viabilidade. O artigo argumenta que agentes de IA devem replicar este loop interativo "baseado em engine" para alcançar um desempenho competitivo.

2. Metodologia

PCBWorld: O Ambiente

A contribuição central é o PCBWorld, um ambiente de código aberto, baseado em engine, construído sobre a suíte EDA de código aberto KiCad. Ao contrário de agentes baseados em GUI ou ambientes de grade abstratos, o PCBWorld expõe o motor de roteamento do KiCad diretamente através de 58 APIs Python.

• Loop de Interação: Agentes interagem com o ambiente passo a passo, invocando operações nativas do KiCad (ex: start_route, make_line, make_via, finish).
• Representação de Estado: O estado é um dicionário aninhado que captura a geometria exata da placa, conectividade e status de DRC, evitando abstrações com perda de informação como grades ou imagens renderizadas.
• Espaço de Ação: As ações são comandos de roteamento de alto nível (seleção de nets, desenho de segmentos, posicionamento de vias) em vez de movimentos primitivos de grade. O espaço de ação é limitado pelos pontos candidatos do motor (centros de pads, extremidades de trilhas) para garantir validade sintática.
• Feedback: Em cada etapa, o agente recebe o estado atualizado da placa e o feedback de DRC (violações, status de conectividade).
• Wrappers: O ambiente fornece wrappers adaptados tanto para políticas de RL (sequências tokenizadas) quanto para agentes de LLM que utilizam ferramentas (esquemas de chamada de ferramenta estruturados), permitindo que ambos treinem e atuem dentro do mesmo MDP.

PCBWorld-Bench: O Benchmark

Acompanhando o ambiente está o PCBWorld-Bench, um conjunto de benchmarks composto por três famílias de datasets no formato nativo .kicad_pcb do KiCad:

1. D1 (Grade Sintética): Replica tarefas de roteamento em grade do ambiente Jumanji Connector através de cinco tamanhos de grade (10 a 500) para testar a escalabilidade.
2. D2 (Sem Grade Sintética): Um dataset sintético de placas de 2 camadas com contagem configurável de nets e pads, projetado para treinamento e avaliação zero-shot.
3. D3 (Real Open-Source): Um conjunto curado de 679 placas reais de código aberto derivadas do corpus PCBench, convertidas para o formato KiCad 9. Elas são estratificadas por complexidade (Pequena, Média, Grande) e servem como o principal alvo de avaliação zero-shot.

Métricas de Avaliação:
O benchmark pontua as placas completadas usando o motor de DRC do KiCad. As principais métricas incluem:

• Clean Pass (CP): A proporção de placas que estão totalmente conectadas e possuem zero violações de regras de design (DRVs).
• Ganho Potencial: Melhoria na qualidade da placa (redução de comprimento de fio, contagem de vias e DRVs) em relação à placa bruta.
• Roteabilidade: A fração de conexões necessárias roteadas com sucesso.
• Custos Físicos: Comprimento total de fios e contagem de vias.

Formulação de Recompensa

O objetivo de RL é formulado como um problema de otimização restrita: minimizar o comprimento de fio e a contagem de vias sujeito a zero DRVs. A função de recompensa utiliza uma abordagem de modelagem baseada em potencial:
$$\Phi(s) = - (f_d(n_{drv}(s)) + \lambda_w \ell(s) + \lambda_v n_{via}(s))$$
onde $f_d$ é uma função de penalidade côncava que penaliza pesadamente a primeira violação em qualquer net, direcionando a política para soluções livres de DRV.

3. Principais Contribuições

1. Framework Baseado em Engine: O primeiro ambiente de roteamento de PCB que expõe operações nativas de engine de EDA aos agentes, permitindo o roteamento interativo e baseado em feedback, semelhante aos fluxos de trabalho humanos.
2. Benchmark Unificado: Um benchmark abrangente (PCBWorld-Bench) que suporta diversos tipos de agentes (RL, LLM, baseados em regras) com um protocolo de avaliação unificado baseado em resultados verificados pela engine.
3. Demonstração de Transferência Zero-Shot: Evidência de que políticas treinadas em dados sintéticos simples podem ser transferidas para placas de código aberto reais e complexas sem ajuste fino (fine-tuning).
4. Análise de Engajamento da Engine: Uma comparação sistemática mostrando que agentes interativos, baseados em engine, superam significativamente os baselines de LLM de malha aberta (apenas planejamento ou sem engine).

4. Resultados Experimentais

Escalabilidade da Abstração de Ação

No dataset sintético baseado em grade (D1), os autores compararam as ações de API de nível de segmento do PCBWorld (PPO) contra baselines de ação de grade (A2C, Sable).

• Resultado: À medida que a resolução da grade aumentava, os baselines de ação de grade colapsavam (A2C falhou na grade 100; Sable na 200) devido à explosão do horizonte. Em contraste, o agente PPO usando ações da API do KiCad manteve uma roteabilidade quase perfeita em todos os tamanhos de grade, demonstrando que as ações de nível de segmento desacoplam a complexidade da decisão da resolução da grade.

Desempenho em Placas Reais (D3)

• Agentes de RL: Uma política Transformer compacta treinada do zero em dados sintéticos (D2) alcançou um Clean Pass (CP) de 0,86 em placas reais pequenas (D3-A), superando todos os baselines de LLM e igualando ou excedendo roteadores baseados em regras como o Freerouting. Em placas maiores (D3-B), alcançou 0,45 CP, permanecendo competitivo, mas mostrando limites na generalização para topologias altamente complexas.
• Agentes de LLM: Agentes de LLM interativos (ex: GPT-5.4) alcançaram um CP de 0,65 em D3-A, superando significativamente seus equivalentes não interativos (Apenas Planejamento: 0,19; Sem Engine: 0,02). No entanto, os LLMs tiveram dificuldades com placas maiores (CP 0,00 em D3-B) e exibiram alta latência de inferência (minutos por placa vs. segundos para RL).
• Roteadores Baseados em Regras: O Freerouting permaneceu como o baseline mais forte em placas grandes (CP 0,78 em D3-B), destacando que décadas de ajuste heurístico ainda possuem valor para casos complexos.

Impacto do Engajamento com a Engine

O estudo confirmou que o engajamento interativo com a engine é crítico. Agentes que geraram arquivos de placa completos sem feedback (Sem Engine) falharam em produzir sintaxe KiCad válida ou satisfazer regras de design. Agentes que planejaram ações sem feedback (Apenas Planejamento) alcançaram melhor conectividade, mas ainda incorreram em DRVs significativos. Apenas os agentes interativos, que observaram o feedback de DRC após cada etapa, produziram consistentemente placas limpas e manufaturáveis.

5. Significância e Alegações

O artigo posiciona o PCBWorld como um passo fundamental para o avanço da automação de design de PCB baseada em aprendizado.

• Mudança de Paradigma: Argumenta que o caminho a seguir para a IA em EDA reside na interação "baseada em engine" em vez de geração estática ou modelagem de grade abstrata.
• Viabilidade Prática: Os resultados sugerem que agentes de RL treinados em dados sintéticos podem alcançar capacidades de roteamento práticas em placas reais, aproximando-se do desempenho de roteadores estabelecidos baseados em regras.
• Potencial e Limites de LLM: Embora os LLMs atuais mostrem promessa em raciocínio geomético quando guiados por uma engine, sua lenta inferência e incapacidade de escalar para placas complexas sem ajuste fino indicam que ainda não estão prontos para substituir roteadores tradicionais para tarefas de alta complexidade.
• Fundação Aberta: Ao lançar o ambiente, os datasets e os baselines, os autores visam fornecer uma plataforma compartilhada para avaliar a IA de agentes em EDA, fomentando o progresso tanto na pesquisa de RL quanto na de LLM que utiliza ferramentas.

Os autores concluem que, embora desafios significativos permaneçam (particularmente em escalar para placas grandes e complexas e incorporar restrições de integridade de sinal), a abordagem interativa e baseada em engine oferece uma fundação promissora e necessária para a próxima geração de agentes de roteamento de PCB.