SchGen: PCB Schematic Generation with Semantic-Grounded Code Representations
本文介绍了 SchGen，这是首个能够从自然语言请求生成可编辑 PCB 原理图的大型语言模型，它利用一种新颖的语义化代码表示和大规模数据集，克服了传统以几何信息为主的原理图格式的局限性，从而实现了高精度。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你想构建一个定制电子设备，比如智能恒温器或机械臂。在制作物理电路板之前，工程师必须绘制一张“地图”，描述所有微小部件（芯片、电阻、导线）如何相互连接。这张地图被称为PCB 原理图。
目前，绘制这些地图就像是用一种只有专家才懂的、极其严格且令人困惑的语言，逐字逐句地手写一部复杂的小说。这不仅耗时，还需要多年的训练。
本文介绍了SchGen，这是一种新型人工智能，只需听懂你用通俗英语表达的想法，就能为你绘制这些地图。
以下是 SchGen 的工作原理，通过简单的类比进行解释：
1. 问题：说错了语言
想象你让机器人建造一座房子。
- 旧方法：你必须给机器人一份清单，列出每一块砖、每一颗钉子和每一根梁的精确 GPS 坐标（例如：“在 X: 104.5, Y: 203.1 处放置一块砖”）。如果数字偏差一毫米，整栋房子就会倒塌。这就是当前人工智能尝试读取现有原理图文件的方式——它们充满了混乱的技术细节，令人工智能感到困惑。
- 结果：人工智能会迷失方向，出现格式错误，或者画出一栋摇摇欲坠的房子。
2. 解决方案：一本“智能速写本”
研究人员意识到，与其强迫人工智能说"GPS 坐标”，不如教它像人类建筑师一样，使用一种专门的代码语言进行交流。
他们创造了一种表示原理图的新方法，称为Code-L1。你可以将其想象为一本拥有三项超能力的“智能速写本”：
- 相对定位：人工智能不再说“将灯放在距离墙壁 500 英寸处”，而是说“将灯放在沙发旁边"。这对人工智能来说更容易理解且不易出错。
- 基于名称的连线：人工智能不再说“将导线 A 连接到导线 B"，而是说“将电源引脚连接到电源引脚”。它利用连接的含义，而不仅仅是几何结构。
- 逐步编辑：人工智能不会试图一次性画出整幅图。它遵循食谱：“添加一个电阻”，“添加一个灯”，“将它们连接起来”。
3. 训练：“人机团队”
人工智能模型的质量取决于其输入的数据。问题在于，缺乏足够的这类“智能速写”示例。
- 流程：团队建立了一个流程，让一个 AI 代理首先查看数千个开源电路图（就像在图书馆查看蓝图），并尝试用他们新的“智能速写本”语言重新绘制它们。
- 人工介入：由于人工智能有时会犯错，人类工程师审查了草稿，修正了错误，并确保“蓝图”完美无缺。
- 结果：他们创建了一个包含 1,390 个独特设计的大型库，每个设计都配有一个用户的请求（例如：“我需要一个用于 3.3V LED 的电路”）以及正确的“智能速写”代码。
4. 结果：更小但更聪明
研究人员利用这些新数据训练了一个名为SchGen的模型。
- 令人惊讶之处：SchGen 是一个相对较小的模型（200 亿个参数）。通常，你需要一个巨大的“超级大脑”人工智能才能完成复杂的任务。
- 性能：尽管规模较小，SchGen 在这一特定任务上击败了当今可用的最大、最强大的人工智能模型（如 GPT-5.2）。
- 原因：这并非因为拥有更大的大脑，而是因为它使用了正确的语言。当人工智能被迫使用混乱的旧"GPS 坐标”语言时，即使是巨型模型也会失败。而当它们使用“智能速写本”语言时，SchGen 就成功了。
核心结论
本文证明，要让人工智能完成复杂的工程任务，你需要的不仅仅是一台更大的计算机。你需要将任务翻译成计算机真正能够理解的语言。
SchGen是第一款能够听懂“我需要一个 USB 充电器电路”这样简单请求，并输出工程师实际可用的专业、可编辑蓝图的人工智能，从而跳过了繁琐的手工绘图过程。它将电路设计这一混乱的任务，转化为人与机器之间结构化、逻辑化的对话。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。