Általánosan elérhető a 2018-ban alapított Celus GmbH nevű startup mesterséges intelligenciával támogatott hardvertervező platformja, amelynek célja, hogy intelligens algoritmusok, gépi tanulás és mesterséges intelligencia segítségével segítse a mérnököket a projektekhez legmegfelelőbb alkatrészek kiválasztásában. Az új technológia automatizálja a tervezés korai szakaszát, és elkészíti az áramköri rajzokat, az elrendezést és az alkatrészlistát (BOM). Ezenkívül projektcsomagokat is biztosít az EDA-eszközökkel való integrációhoz.
Nem tartott sokáig, amíg a mesterséges intelligencia beépült az elektronikai tervezésbe. A mérnökök ma már természetes nyelvű felületek segítségével kereshetnek információkat, vizsgálhatják át a dokumentációt, összehasonlíthatják az alkatrészeket, sőt, akár tervezési elemeket is generálhatnak. Van azonban egy fontos különbség egy olyan MI-eszköz között, amely képes megválaszolni egy mérnöki kérdést, és egy olyan között, amely érdemben részt vehet a mérnöki munkafolyamatban.
Különösen a beágyazott rendszerek tervezése során fontos ez a megkülönböztetés. Ennek oka, hogy egy hihető válasz nem elegendő. A tervezésnek vannak követelményei, korlátai és függőségei. Az architektúra szintjén meghozott döntések hatással vannak az alkatrészek kiválasztására, az interfészekre, az energiafogyasztásra, a költségekre, és végső soron arra, hogy a rendszer egyáltalán megvalósítható-e.
Ezért a mesterséges intelligencia következő szakasza az elektronikai tervezésben kevésbé a válaszok generálásáról, és inkább az ágentikus mérnöki munkáról szól: olyan mesterséges intelligencia-rendszerekről, amelyek képesek megérteni egy célkitűzést, tervet kidolgozni, egyedi feladatokat végrehajtani, és az eredményt az eredeti követelményekkel összevetni.
Miért éri el a határait az egylépéses mesterséges intelligencia?
A generatív mesterséges intelligenciával kapcsolatos jelenlegi viták nagy része viszonylag egyszerű interakciót feltételez: egy mérnök ad egy kérdést, a modell pedig választ ad. Ez hasznos lehet különálló feladatoknál. Az elektronikai tervezés azonban ritkán működik így!
Vessünk egy pillantást egy beágyazott projekt korai szakaszaira. Előfordulhat, hogy a mérnök tudja, hogy a rendszerhez feldolgozási képességre, érzékelőkre, vezeték nélküli kapcsolatra és egy adott áramforrásra van szükség. Más követelmények azonban még bizonytalanok lehetnek. A feldolgozási teljesítmény változhat. Egy kommunikációs interfész működése függhet egy másik, még ki nem választott alkatrésztől. A költség, a rendelhetőség vagy az életciklusra vonatkozó követelmények miatt előfordulhat, hogy egy egyébként technikailag megfelelő eszköz nem jöhet szóba.
A terv tehát iteratívan fejlődik.
Ha egy követelmény megváltozik, annak következményei több más döntésre is kihatással lehetnek. Azon mesterséges intelligencia-rendszernek, amely egyszerűen csak az eredeti utasítás alapján generált egy architektúrát, problémája adódik: módosítsa-e a meglévő megoldást? Generáljon-e egy újat, vagy először állapítsa meg, mely feltételezések már nem érvényesek?
Itt kezd eltérni az ágentikus megközelítés a hagyományos MI-asszisztensektől.
Ahelyett, hogy azonnal eredményt próbálna elérni, a rendszer először megállapíthatja, hogy mit tud, mit feltételezett, és mi marad ismeretlen. Ebből kiindulva kidolgozhat egy tervet a tervezési feladat megoldására. Ha egy követelmény később megváltozik, a rendszer újra átgondolhatja az érvelést, ahelyett, hogy az új információt egyszerűen egy újabb, önálló feladatként kezelné.
Először a tervezés, csak azután a megvalósítás
A tervezés nem csupán egy apró részlet, hanem a mérnöki alkalmazások esetében alapvető fontosságú.
Egy feladat végrehajtása előtt az ágens szakaszokra bonthatja a célkitűzést, és meghatározhatja, milyen információkra és képességekre van szükség az egyes szakaszokban. Ezt követően különböző specializált ágensek vagy képességek láthatják el az adott terven belüli egyes funkciókat. Egy beágyazott hardverarchitektúra esetében például az egyik szakasz értelmezheti a funkcionális követelményeket, egy másik azonosíthatja a megfelelő megvalósítási lehetőségeket, míg egy harmadik értékeli, hogy a javasolt blokkok helyesen összekapcsolhatók-e.
Talán még ennél is fontosabb: ennek az egész folyamatnak láthatónak kell lennie a mérnök számára. A cél nem egy autonóm fekete doboz létrehozása, amely az egyik végén egy termékleírást vesz alapul, a másikon pedig egy megkérdőjelezhetetlen tervet állít elő. A mérnöki döntések olyan kompromisszumokat tartalmaznak, amelyeket nem lehet egyszerűen delegálni. A tervező előnyben részesíthet egy adott architektúrát a tapasztalata, az ellátási lánc stratégiája, a tanúsítási követelmények vagy az eredeti specifikációban nem teljes mértékben szereplő szempontok miatt.
Az ágens alapú MI (Agentic AI) ezért inkább másodpilótaként (co-pilot), semmint önvezetőként (autopilot) hasznos. Képes elvégezni a kutatómunka és az ismétlődő feladatok nagy részét, miközben láthatóvá teszi a tervét, és lehetővé teszi a mérnök számára, hogy eldöntse, megfelelő-e a javasolt irány.
Nyelvi adatok átalakítása mérnöki adatokká
Létezik egy másik kihívás is, amely megkülönbözteti az elektronikai tervezést a generatív mesterséges intelligencia általánosabb alkalmazásaitól: a mérnöki tudásnak végső soron hasznosíthatónak kell lennie.
Egy adatlapot egy személy el tud olvasni, vagy egy nyelvi modell értelmezhet. De két alkatrész megfelelőségének azonosítása nem ugyanaz, mint annak meghatározása, hogy elektromos interfészeik kompatibilisek, és a csatlakoztatásukhoz szükséges áramkörök azonosítása. Ehhez strukturált mérnöki információkra van szükség.
A CELUS-nál például az elektronikus funkciók géppel olvasható építőelemekként, úgynevezett CUBO-kként ábrázolhatók. Ezek rögzítik az áramkört az interfészekkel, a korlátozásokkal és a tervezési szabályokkal kapcsolatos információkkal együtt.
A lényeg nem egyszerűen egy újabb alkatrészkönyvtár létrehozása. Az a lényeg, hogy a tervezési szándék és a mérnöki kapcsolatok géppel olvashatóvá váljanak. Miután az információ ilyen módon strukturálva van, a szoftverek dolgozhatnak vele, ahelyett, hogy csupán lekérnék vagy összefoglalnák azt.
Egy MI-ágens így egy funkcionális követelménytől egy elektronikus architektúra felé haladhat, kiválasztva a megfelelő építőelemeket és feloldva a közöttük lévő kapcsolatokat. Az így létrejövő architektúra képezheti a későbbi kapcsolási rajzok és NYÁK-ok fejlesztésének alapját.
Az ellenőrzésnek a folyamat részének kell lennie
A tervezés és a kivitelezés önmagában nem elegendő, a mérnöki munka ellenőrzést is igényel. Egy MI-ágens koherensnek tűnő eredményt produkálhat, miközben akaratlanul is eltér az eredetileg meghatározott követelményektől. Minél hosszabb és összetettebb az érvelési láncolat, annál fontosabb az eredmény ellenőrzése.
Egy ágensi munkafolyamat ezért tartalmazhat egy különálló ellenőrzési szakaszt, amelyben az eredményt a folyamat elején rögzített követelményekhez viszonyítva értékelik. A javasolt architektúra biztosította-e az összes szükséges funkciót? Tiszteletben tartották-e a korlátozásokat? Érvénytelenné vált-e egy korábban tett feltételezés más döntések meghozatala miatt?
Adott esetben a rendszer újra próbálkozhat egy feladattal, vagy felhívhatja a figyelmet a problémára a mérnök figyelmét a csendben folytatás helyett.
Ez a megkülönböztetés különösen fontos, mivel a mesterséges intelligencia a tanácsadói funkcióktól a tényleges tervek módosítására képes eszközökké válik. A bizalom nem származhat pusztán abból, hogy egy mesterséges intelligencia milyen folyékonyan magyarázza el a válaszát; a magabiztosságnak abból a mérnöki információból kell fakadnia, amelyhez a válasz összevethető.
A mérnökök folyamatos tájékoztatása
Talán elkerülhetetlenül felmerül a kérdés, hogy a nagyobb autonómia mellett a mérnököknek mennyit kell átadniuk az irányításból. Az ideális válasz az lenne: nagyon keveset. Az automatizálás évtizedek óta az elektronikai tervezés jelentős részét képezi, és minden generáció eltávolított olyan feladatokat, amelyeket a mérnökök korábban kézzel végeztek. Az ágentikus mesterséges intelligencia folytatja ezt a fejlődést.
Döntő fontosságú, hogy a mesterséges intelligencia értéke az erőfeszítés, nem pedig a felelősség megszüntetésében rejlik.
A mérnöknek továbbra is el kell döntenie, hogy mit tervezne, fel kell mérnie a kompromisszumokat, és jóvá kell hagynia a fontos tervezési döntéseket. Az ügynök felderítheti az alternatívákat, végrehajthatja a munkafolyamat egyes szakaszait és ellenőrizheti saját munkáját, de a megfelelő döntési pontokon meg kell állnia, és jóváhagyást kell kérnie, mielőtt tovább haladna.
Ez a technológia így a tervezési lehetőségek feltérképezéséhez is hasznosnak bizonyul. Ha egy alternatív architektúra kidolgozása órákig vagy napokig tartó kézi alkatrészkeresést és -rekonstruálást igényel, a mérnökök természetesen korlátozzák a vizsgált lehetőségek számát. Ha ennek a munkának a nagy részét automatizálni lehet, több alternatívát is figyelembe lehet venni, amíg a tervezés még rugalmas, és az irányváltás viszonylag alacsony költségekkel jár. Ez végső soron értékesebbnek bizonyulhat, mint egyszerűen ugyanazt a tervezési folyamatot gyorsabban befejezni.
Egy architektúra ágensek és mérnökök számára
Az MI-ágensekről a mérnöki ügynökökre való áttérés nem egyszerűen azáltal fog megtörténni, hogy egyre hatékonyabb nyelvi modelleket csatolunk a meglévő tervezőeszközökhöz.
Az ágenseknek strukturált információkra van szükségük, amelyeken keresztül érvelhetnek, világosan meghatározott feladatokra, amelyeket végrehajthatnak, mechanizmusokra a kimenetük ellenőrzésére, valamint határokra, amelyek meghatározzák, hogy mikor szükséges emberi jóváhagyás.
Emellett a mérnöki munkafolyamatokon keresztül kell működniük, nem pedig elszigetelt szoftverkörnyezetekben. A beágyazott rendszerek fejlesztése már most is magában foglalja a követelményeket, az alkatrész adatokat, az architektúrát, a kapcsolási rajzot, a szimulációt, a NYÁK-elrendezést, a beszerzést és a gyártást. Egy olyan ágens, amely egy újabb zárt környezetté válik, csupán egy újabb átadást hoz létre.
Az érdekesebb irány tehát egy olyan ökoszisztéma, amelyben a specializált ágensek és a mérnöki eszközök együttműködhetnek, miközben a mérnök megtartja az irányítást a teljes architektúra felett.
A mesterséges intelligencia kétségtelenül egyre hatékonyabbá válik. De a beágyazott tervezésben a képesség önmagában nem cél… az igazi próbatétel az, hogy képes-e a mérnöki szándékot hasznos, ellenőrizhető cselekvéssé alakítani.
Ez az átmenet a mesterséges intelligenciától, amely közli a mérnökkel, mit gondol, egy olyan ügynökké, amely segíthet a mérnöknek a munka elvégzésében.
