Приложения на изкуствения интелект в проектирането на електронни системи – част II

• Вероятно най-голямото преимущество във връзка с прилагането на ИИ инструменти за проектиране в електронния сектор е непостиганата досега свобода в дизайна
  
  
• С AI платформи проектантите могат за кратко време да генерират и сравняват огромен брой вариации на даден дизайн
  
  
• Истински еволюционен скок в електрониката става възможен благодарение на възможността на изкуствения интелект не само да резюмира или изчислява, но и да създава

Изкуственият интелект коренно трансформира електронната индустрия с лавинообразно нарастващите си по брой приложения в проектирането на интегрални схеми и технологии за производство им, на електронни схеми, печатни платки и цялостни електронни системи. Сп. Инженеринг ревю продължава темата за ползите, възможностите и спецификите при използването на AI базирани платформи в дизайна на потребителска и индустриална електроника.

Вероятно най-голямото преимущество във връзка с прилагането на ИИ инструменти за проектиране е непостиганата досега свобода по отношение на иновативните подходи и оригиналността в дизайна. Изкуственият интелект задава нови стандарти в сектора, разширявайки границите на възможното отвъд способностите на човешкия интелект и изчислителните системи. Сега проектантите за кратко време могат да генерират и сравняват огромен брой вариации на даден дизайн, а скоростта на идентифициране и разработка на оптималната версия се оказва критично условие за успех в динамичния свят на електронната промишленост и микроелектрониката, където всяка иновация трябва да достига пазара максимално бързо, за да изпревари конкуренцията.

Истински фурор предизвикват възможностите на AI платформите да обработват и резюмират обемна техническа документация с инженерни изисквания, която обикновено включва огромни масиви от текстова информация, таблици и диаграми. Изчитането, разбирането, извличането на есенцията от един стандартен RTM (Requirements Traceability Matrix) документ с изисквания и прилагането му традиционно коства на инженерните екипи много време и усилия. Големите езикови модели (LLM) обаче са специализирани именно в това. Ето защо е напълно логично те да бъдат впрегнати в анализа, систематизирането, обобщаването на информацията и дори в дефинирането на процеси с ясни и лесни за следване стъпки. Единственото, от което се нуждаят проектантите, обикновено са добре прецизирани промптове.

“Смилането” на гигантски обеми информация в удобен за проектанта вид обаче съвсем не е единствената сила на изкуствения интелект. Истински еволюционен скок в електрониката става възможен благодарение на възможността му да създава.

Ролята на генеративния изкуствен интелект

Генеративният изкуствен интелект (GenAI) и т. нар. дълбоко самообучение с утвърждаване (deep reinforcement learning) все по-категорично се доказват като отлични инструменти за оптимално оползотворяване на един от най-ценните ресурси в електрониката – пространството. С непрекъснатия стремеж към миниатюризация и побиране на все по-голяма изчислителна мощ в по-компактни устройства дизайнерите на електронни схеми и чипове са изправени пред сериозни предизвикателства.

Проучванията показват, че до 60% от времето на един проектант на интегрални схеми е заето с изпълнение на задачи по списък, отстраняване на грешки, специфициране на дизайна, създаване на тестови програми и анализ на първопричините за даден проблем. Често се случва техническата документация, процедурите и методологиите да са остарели или най-новите им версии да не са споделени с всички екипи, което излишно разтяга цикъла на разработка във времето. Тези негативни ефекти допълнително се влошават от нарастващата сложност на чиповете и разходите за всеки нов дизайн с по-малък форм-фактор. От McKinsey & Company изчисляват, че проектирането на един 5 nm чип коства средно 540 млн. долара и 864 работни дни на инженерите (два до три пъти повече в сравнение с предишния форм-фактор /node/). С популяризирането на т. нар. chiplet технологии и разработката на още по-компактни интегрални схеми за AI ускорители, високопроизводителни изчислителни системи и автономни превозни средства разходите за нов дизайн скоро могат да надхвърлят и един милиард долара.

Разработчиците на EDA/ECAD платформи все по-активно интегрират AI и DRL функционалност в продуктите си, за да адресират именно проблемите с ограниченото пространство и разходите. Чрез дълбоко самообучение с утвърждаване се тренират AI агенти автономно да прилагат последователни решения чрез метода на пробата и грешката в сложни среди за проектиране. Самоусъвършенствайки се на база комплексна EDA документация, генеративният изкуствен интелект създава, оптимизира и тества изцяло нови дизайни, “разтоварвайки” проектанта и от времеемките повторяеми дейности. Проучване, публикувано в международeн журнал за машинно самообучение в инженерната сфера, описва сценарии, в които AI генерирани дизайни демонстрират с 10 до 15% по-висока ефективност в сравнение с такива, създадени чрез конвенционални средства. Сериозни технологични пробиви с помощта на изкуствен интелект са възможни и в сферата на материалознанието.

Анализирайки огромни масиви от данни, AI платформите могат да предлагат нови, по-устойчиви и ефикасни инженерни материали с уникални свойства, които да революционизират електрониката. Пример е иновативен композитен материал, идентифициран посредством ИИ, който подобрява с до 20% живота на батериите за електронни устройства.

Топлинен мениджмънт, откриване на дефекти, производство

Ключов аспект при проектирането на електронни схеми, платки, чипове и устройства, независимо дали са в сегмента на потребителската или силовата електроника, за приложения в индустрията, центрове за данни или електромобили, е топлинният мениджмънт. Макар електронният сектор да използва богат инструментариум от иновации, като авангардни материали, дизайни и технологии за охлаждане, изкуственият интелект и тук обещава из основи да рационализира най-популярните производствени практики. Чрез задълбочен анализ на потреблението на отделните компоненти в схемата AI моделът може да прогнозира и симулира разпределението на генерираната топлина в отделните части на печатната платка, както и да идентифицира потенциални проблемни зони с риск от прегряване. ИИ може да помогне и с по-интелигентни и креативни подходи при дизайна и позиционирането на радиатори и елементи за разсейване на топлината и подобряване на топлинните характеристики.

Безценна е ролята на изкуствения интелект и при откриването на грешки, които човешкото око и дори системите за визуална инспекция от по-стара генерация биха могли лесно да пропуснат, например некоректни връзки между компонентите, липсващи монтажни площадки, отвори или пинове (т. нар. “footprints”), а също и грешки при рутиране. Детекцията на дефекти при пасивните компоненти например дълги години включваше основно шестстранни проверки на изделието с помощта на AOI машини за автоматизирана оптична инспекция, при които се сравняват изображения на съответната страна на обекта с предварително зададен набор от спецификации. Подобен базиран на правила (rule-based) и визуална информация подход обаче може да се окаже недостатъчно прецизен. Способността на платформите с изкуствен интелект да се самообучават на база големи обеми от данни в хронологичен план им позволява значително да се усъвършенстват с времето, засичайки много по-широк набор от дефекти в сравнение с AOI оборудването. За да оптимизират решенията си и да съчетаят познатите практики с последните иновации в областта, много производители на машини в сегмента надграждат функционалността им с AI базиран софтуер, който значително повишава успеваемостта при детекция.

ИИ притежава потенциал сериозно да оптимизира технологичните процеси в електрониката в цялост, анализирайки данни от различни сензори и системи в рамките на производствената линия, идентифицирайки и предотвратявайки потенциални проблеми, свеждайки до минимум нежеланите престои и максимизирайки ефективността.

Чрез AI базирана прогнозна поддръжка, мониторинг и контрол компаниите за проектиране и производство на електроника могат да гарантират по-висока наличност или експлоатационна готовност на оборудването си, по-добра координация между отделните машини, системи и станции, както и по-добра прозрачност и проследимост по линия на цялата верига на стойността – от фазите на дизайн и производство, през дистрибуцията и доставките, чак до крайния потребител. Мащабните платформи за ресурсно планиране, изпълнение на производството и оперативен мениджмънт, оборудвани със сензори, машинно зрение и AI функционалност, осигуряват видимост към всеки елемент, изделие, машина или процес, като следят продукти, годни и бракувани партиди, и са способни дори да откажат влагането на даден компонент от външен доставчик в дизайна при дефект или подозрение за фалшификация например.

Въпреки огромната вълна на ентусиазъм около изкуствения интелект, има редица области, в които традиционните детерминистични методи все пак се доказват като по-практични и лесно приложими. При сензорите например конвенционалните подходи към кондиционирането на сигнала и калибрирането предлагат комбинация от ефективност, стабилност и надеждност. Техники и средства, като филтрирането, аналоговите схеми и математическото коригиране, осигуряват оптимизирани решения в съответствие с широко възприетите стандарти и без излишно усложняване. AI базираните инструменти могат да се окажат непрактични в приложения с фокус върху ниското потребление, бързата обработка и реакцията в реално време, както и при стандартизиране и сертифициране, поради сравнително високите си изчислителни изисквания, динамиката и вариабилността си.

AI асистентите в помощ на електронните инженери

Редица големи технологични компании, специализирани в производството на електроника или пък в разработката на изкуствен интелект, инвестират в цялостни AI базирани платформи за автоматизиране на проектирането с различен мащаб и функционалност, а инженерите могат да се възползват от възможностите както на множество решения с платен лиценз за достъп, така и от безплатни инструменти. Сред най-популярните предложения, които проектантите на електронни схеми, устройства и системи добавят към арсенала си, са Altium, Synopsys.ai, Siemens Solido, Cadence, Allegro X AI, ZukenCR-8000, KiCAD, Quilter, Techspec.AI, Circuit Mind, Flux, JITX, Continuity/CELUS, DeepPCB, Gumstix Geppetto и др.

Изборът на система, създадена и поддържана от утвърден производител, макар обикновено да изисква известна инвестиция, в повечето случаи носи много по-голяма сигурност във връзка с използването на сравнително нов и в тази връзка все още недостатъчно добре изучен тип технология, като изкуствения интелект. Голяма част от изброените платформи включват широка гама от инструменти и пакети, обогатени с иновации, като облачни изчисления и нанотехнологии и специализирани за конкретна задача или приложение. Примери са: проектиране и верифициране на интегрални схеми, селектиране, позициониране на компоненти и рутиране, ускоряване на проектирането, анализ, оптимизиране на топлинното разсейване, генериране на код, BOM мениджмънт, детекция на грешки и дефекти, проверка на съответствието с различни спецификации във връзка с дизайна и електрическата част, проектиране от нулата или чрез функционални блокове и др. Голяма част от водещите платформи в сегмента позволяват и лесна интеграция помежду си, за да може потребителят сам да комбинира желаната функционалност.

Ролята на проектанта

Макар да не елиминират изцяло необходимостта от намеса на проектанта в даден дизайн, AI инструментите често функционират като “копилоти” (“copilots”, както буквално се наричат някои продукти в сегмента), които изискват единствено достатъчно коректно задание, за да създадат дизайн на електронна схема от нулата (пример: “Проектирай неинвертиращ усилвател с коефициент на усилване 2”). При добавяне от страна на дизайнера, да речем, на микроконтролер към дадена схема, ИИ автоматично позиционира необходимите разединителни кондензатори, като може да предложи алтернативи и препоръчани от производителя референтни проекти.

Статистиките сочат, че изкуствен интелект се използва от все повече електронни инженери, екипи и компании, а прогнозите са в близко бъдеще тази технология да се превърне в неизменна част от инструментариума на всеки проектант. И въпреки че помощта на ИИ в сортирането и пресяването на големи масиви от данни е безценна, водещите глобални производители на електроника изглежда се обединяват около една обща теза – AI е мощен и изключително полезен инструмент, но той не може и не бива да измества напълно дизайнерите, тъй като човешката преценка, контекстуализацията, опитът и доброто познаване на приложенията са незаменими, а и все още непосилни за машините в такава степен, че да са достатъчно надеждни.

Важен аспект от сътрудничеството между човека и изкуствения интелект в проектирането на електронни системи са значителните ресурси (човешки капитал, време, усилия и средства), които технологията пести и могат да бъдат вложени в изпълнението на по-ключови и стратегически бизнес цели. Нещо повече – експертите твърдят, че шансовете даден инженер да загуби работата си заради изкуствен интелект са малки. Шансовете да се прости с нея заради друг инженер, владеещ мощта на AI платформите, обаче непрекъснато нарастват. Ето защо в бъдеще за проектантите на електронни схеми и устройства на практика ще бъде задължително да са в крак с новостите и тенденциите в областта и да овладяват всяко следващо поколение AI инструменти, за да извличат максимална стойност от усилията си.

Етичните аспекти при взаимодействието с изкуствен интелект, безопасното му и отговорно използване също са съществен елемент от интегрирането на технологията в електронната индустрия. При съвместно създаване на дизайн от човек и ИИ възникват редица важни въпроси, във връзка например с това кой каква отговорност носи. Регулации, като Законодателния акт на ЕС за ИИ, ще се грижат за това колаборацията между хората и AI платформите да носи максимум ползи и минимум рискове за безопасността и основните права на хората.