Lässt sich ChatGPT im PCB-Design nutzen und wenn ja, wie?

ChatGPT ist schnell zur entscheidenden App für KI geworden, vielleicht auch deshalb, weil es den Zugang zu generativer KI und die Nutzung extrem einfach gemacht hat. Daher mussten wir uns natürlich fragen: Kann man ChatGPT für PCB-Designaufgaben nutzen? Bietet es nützliche Antworten oder Ergebnisse bei technischen Recherchen? In diesem Artikel sehen wir uns an, was das System kann (und was nicht).

Dabei möchte ich betonen, dass ich ChatGPT nur in seiner ursprünglichen Form verwende (Pro-Abonnement, aber keine Plugins). Wir werden einige Wissenstests mit den Modellen GPT-3.5 und GPT-4 durchführen. Spoiler-Warnung: Das System liefert gemischte Ergebnisse und die Genauigkeit der Ergebnisse hängt direkt mit der Genauigkeit Ihrer Fragen zusammen.

ChatGPT in Ihrem PCB-Designprozess

Sehen wir uns zunächst an, was ChatGPT in seiner Grundform (nur Modelle, keine Plugins) kann und was nicht. Wenn Sie nur das Standardabonnement ohne Modelle nutzen, ist ChatGPT auf die folgenden Aufgaben beschränkt:

• Beantwortung von Fragen in Textform
• Generierung von Codeblöcken aus Aufgaben- oder Funktionsbeschreibungen
• Durchführung grundlegender mathematischer Berechnungen mithilfe von analytischen Formeln
• Zusammenfassung, Paraphrasierung oder Erklärung komplexer Entwürfe
• Erstellung von Aufgabenlisten, Beschreibung von Prozessen und Erteilung von Anweisungen zur Erfüllung der Aufgaben

Insgesamt ist es daher ein Kandidat für die Generierung bestimmter Wissensblöcke zum PCB-Design. Auch ein Abonnement von ChatGPT nach Mai 2023 ermöglicht dem System immer noch nicht, eine der folgenden Aufgaben auszuführen:

• Entwurfsdateien in Ihrem eigenen Dateiformat erstellen
• Bilder oder Videos generieren
• Selbstständig mithilfe von Transkripten öffentlich verfügbarer Videos trainieren
• Über eine URL auf das Internet zugreifen
• Durch „Gedankenlesen“ auf technische Anforderungen schließen

Technisch gesehen könnte diese „Geht nicht”-Liste durchaus weniger werden, wenn wir beispielsweise weitere Feinabstimmungen vornehmen und Plugins dazu nehmen. Auch wenn der Plattform neue Funktionen hinzugefügt werden, könnte sich all dies dann auch entsprechend ändern. Wenn wir uns einmal die verschiedenen Aufgaben im PCB-Design ansehen, welche Art von Aufgaben können wir mit ChatGPT vermutlich erwarten zu lösen?

Die folgende Liste soll einige Ideen dazu liefern. Diese ist dabei keineswegs vollumfänglich. Die aufgeführten Aufgaben wurden ausgewählt, um das technische Wissen des Systems in Bezug auf das PCB-Design zu demonstrieren. Um einen besseren Überblick über die Tests zu bekommen, welche ich mit ChatGPT durchgeführt habe, sehen Sie sich dieses Video an:

Ergebnisse

In GPT-3.5 und GPT-4 wurden verschiedene Arten von Abfragen getestet. Ich möchte anmerken, dass die Ergebnisse in GPT-4 nicht unbedingt aufschlussreicher oder weniger aufschlussreich waren als in GPT-3.5. Denn was vorrangig zählt, ist die technische Genauigkeit und nicht die Tiefe oder Komposition der Antwort. Sehen wir uns vor diesem Hintergrund einmal einige der Anfragen an, die ich in ChatGPT getestet habe.

Zusammenfassung von Forschungsergebnissen

Eine Aufgabe, bei der ChatGPT meiner Meinung nach sehr nützlich ist, ist die Zusammenfassung von Forschungsergebnissen. Beispielsweise muss ich mir manchmal im Rahmen eines PCB-Designprojekts mit Videos oder Artikeln einen Überblick über die relevanten Industriestandards verschaffen. Ich verwende zum Beispiel gerne ChatGPT, um Folgendes zu ermitteln:

• Listen von Industriestandards in bestimmten Bereichen (EMC, Militär, Automobil usw.)
• Eine Übersicht über die Inhalte bestimmter Industriestandards
• Eine Übersicht über Schnittstellenstandards und deren Verwendung
• Ausgewählte Berechnungen, die bei der Entwicklung einer Verbindung oder Leiterplatte erforderlich sein können.
• Formeln, die nötig wären, um etwas zu berechnen.

Code-Generierung

Ein weiteres Beispiel stammt aus dem Bereich der Entwicklung und Prüfung eingebetteter Designs. Im folgenden Beispiel erstelle ich eine Python-Klasse für mein älteres LeCroy-9300-Oszilloskop, damit ich Daten vom Gerät erfassen kann. Dies wurde mit GPT-4 generiert. GPT-3.5 war ebenfalls erfolgreich, verwendete jedoch die Pyvisa-Klasse als Basis für den generierten Code. Ich habe den untenstehenden Code zwar nicht getestet, aber es wird Code mit der korrekten Python-Syntax generiert. Stellen Sie sicher, dass Sie den generierten Code einer Qualitätskontrolle unterziehen, bevor Sie ihn in Ihrem System verwenden.

• Erfahren Sie mehr über ChatGPT zur Generierung von Testcode

Übergeordnete Ratgeber-Aufgaben

Dies ist ein Bereich, in dem ChatGPT gemischte Ergebnisse liefert. Bei der ersten Reihe der von mir ausgeführten Abfragen habe ich festgestellt, dass übermäßig verallgemeinerte Fragen zu übermäßig verallgemeinerten Antworten führen. Die generierten Ergebnisse könnten für neue Designer nützlich sein, die wissen wollen, was genau sie noch lernen müssen. Für erfahrene Designer sind die Ergebnisse jedoch nicht umsetzbar, denn sie verallgemeinern Informationen über mehrere Abfragen hinweg.

Ich habe beispielsweise ChatGPT um eine Anleitung zum Entwerfen von drei Arten von Leiterplatten gebeten:

• Hochgeschwindigkeits-PCBs
• HF-PCBs
• PCBs mit hoher Dichte

Die erzielten Ergebnisse waren bei allen drei PCB-Typen praktisch identisch. Bei der Generierung der Ergebnisse ersetzte das System einfach „Hochgeschwindigkeits-PCB“ durch „HF-PCB“ und „PCB mit hoher Dichte“. Das Video oben zeigt, wie das ablief und wie die stark verallgemeinerten Antworten aussehen, die ChatGPT generiert.

Dies bedeutet, dass das System die Designrichtlinien zu stark auf Bereiche verallgemeinert, in denen sie in realistischen Situationen möglicherweise nicht anwendbar sind. Wenn Sie eine bessere Orientierung bei Design-Aufgaben erhalten wollen, sollten Sie also darauf achten, dass Sie spezifischere Fragen stellen. Je spezifischer die Fragen sind, desto spezifischer sind auch die Antworten.

Spezifisches Fachwissen

In einer anderen Iteration habe ich ChatGPT nach differenziellen Impedanzwerten für verschiedene Generationen des PCIe-Standards gefragt. 

In einem Fall waren die Antworten widersprüchlich, was auch im obigen Video sichtbar wird. Nachdem ChatGPT einen Widerspruch festgestellt hatte, lieferte es eine Erklärung für den Widerspruch, wie unten gezeigt.

Ich denke, das verdeutlicht die Notwendigkeit einer Qualitätskontrolle, vor allem wenn es um Wissen geht, das aus einem beliebigen LLM (einschließlich ChatGPT) generiert wurde. Scheuen Sie sich also nicht, scheinbare Widersprüche anzusprechen, denn diese können leicht erklärbar oder gar völlig berechtigt sein. In anderen Fällen, wie etwa bei der unten gezeigten Berechnung der Spitzenwechselspannung, sind die Widersprüche lediglich eine Halluzination oder die Unfähigkeit den Kontext einer Frage richtig zu verstehen.

Berechnungen

Es ist bekannt, dass ChatGPT für mathematische Probleme verwendet werden kann, einschließlich einiger technischer Berechnungen. Dabei geht es mir vor allem um technische Berechnungen, die über die typischen Probleme aus der Schulzeit hinausgehen und ein tieferes Verständnis sowie eine umfängliche Betrachtung des Kontexts hinter der Berechnung erfordern.

Zuerst habe ich ChatGPT darum gebeten, die Spitzenspannung zu berechnen, die mit einem 115 V Wechselstromsignal verbunden ist. Es ist bekannt, dass die 115 V in einem Wechselstromsignal nicht die Amplitude, sondern die Effektivspannung sind. Bei einem von vier Versuchen verwechselte ChatGPT den Effektivwert mit der Amplitude und berechnete folglich die falsche Spannung, da es den Kontext der Frage nicht erfasst hatte.

Es ist interessant, dass das System so inkonsistent ist. Wir können uns also gut vorstellen, dass dies auch bei anderen komplexen Fragen auftritt; beispielsweise zur Impedanz eines koplanaren Wellenleiters. Ich habe das System gebeten, genau dies einmal mithilfe von GPT-3.5 und GPT-4 zu berechnen. In beiden Fällen war die Antwort falsch. Bei GPT-4 (einem fortschrittlicheren Modell) war das System noch ungenauer: Es gab an, dass die Länge der Leitung zur Berechnung der Impedanz erforderlich sei.

Empfohlene Komponenten

Ich habe ChatGPT auch gebeten, mir einige Komponenten auf Grundlage allgemeiner Spezifikationen zu empfehlen. Das System hat bei dieser Aufgabe vollständig versagt. Die empfohlenen Komponenten waren nicht einmal annähernd korrekt. Als ich beispielsweise eine Empfehlung für einen Transimpedanzverstärker anforderte, erhielt ich Empfehlungen für einen Leistungsverstärker (HMC994APM5E) und einen Passivmischer (ADL-5812). Es wurden auch keine korrekten Spezifikationen für die empfohlenen Teile bereitgestellt.

Der einzige Fall, in dem die generierte Antwort in dieser Kategorie in irgendeiner Weise nützlich war, war, als ich gefragt habe, ob eine Komponente mit einer Reihe von Spezifikationen übereinstimmt. In diesem Fall wollte ich, dass mir ChatGPT die Komponente OPA855 empfiehlt. Als ich fragte, ob OPA855 die Bandbreitenanforderungen erfüllen würde, antwortete es korrekt.

Als es gebeten wurde, etwas Einfacheres wie z. B. einen Leistungsregler zu empfehlen, versagte das System ebenfalls spektakulär, wie auch im obigen Video zu sehen ist. Persönlich würde ich ohne kreatives Prompt-Engineering keine Komponentenempfehlungen von ChatGPT verwenden.

Zusammenfassung

Insgesamt sehe ich sehr gemischte Ergebnisse, wenn ich die Nutzung von ChatGPT für das PCB-Design untersuche, sowohl als Ingenieurwerkzeug, Lernwerkzeug als auch Forschungswerkzeug.

Als Forschungs- und Lernwerkzeug ermittelt das System zwar technisch richtige Aussagen, die Ergebnisse sind jedoch sehr breit gefächert und nicht immer umsetzbar. Bei anspruchsvollen Fragen, wie „Auf welche Art und Weise entwerfe ich eine Hochgeschwindigkeitsleiterplatte?”, gibt das System nur sehr allgemein gehaltene Antworten. Es fehlt viel Kontext und oft auch umsetzbare Ratschläge. Es hilft jedoch sehr bei Dingen wie Definitionen und Beschreibungen von Industriestandards, bei welchen man sonst oft stundenlang googeln muss, um gleichwertige präzise Antworten zu finden.

• Meine Note als Forschungs-/Lernwerkzeug: B

Als technisches Werkzeug schneidet es wiederum um einiges schlechter ab. Bei sehr grundlegenden Fragen, wie etwa der Berechnung der Spitzenwechselspannung aus dem Effektivwert einer Wechselspannung, lag das System in 75 % der Fälle richtig; auch wenn es sich hierbei nur um eine kleine Stichprobe handelt. Bei komplexeren Aufgaben, etwa der Empfehlung von Komponenten, die bestimmte Betriebsziele erfüllen können, scheiterte es mit den Modellen GPT-3.5 und GPT-4 kläglich.

• Meine Note als technisches Werkzeug: D-

An dieser Stelle sei darauf hingewiesen, dass Sie mit einem Pro-Abonnement Zugriff auf Plugins haben. So können Sie Ihre Fähigkeit zur Generierung von Entwurfsideen und nützlichen Anleitungen für technische Aufgaben verbessern. Bis jetzt habe ich einige Zeit damit verbracht, genau dies zu tun. Ich werde meine Erfahrungen in diesem Bereich natürlich auch weitergeben, sobald ich eine genauere Anleitung habe.

Unabhängig davon, wie Sie ChatGPT für das Leiterplattendesign einsetzen, benötigen Sie immer noch die besten Designwerkzeuge, um funktionale und herstellbare Produkte zu entwickeln. Da immer mehr KI-Werkzeuge Einzug in das PCB-Design halten, ist Altium Designer® mit der besten PCB-Designsoftware für Sie da, um Ihnen zum Erfolg zu verhelfen. Sobald Sie Ihr PCB-Layout fertiggestellt haben und bereit sind, Ihre Fertigungsergebnisse mit anderen zu teilen, können Sie mittels der Altium 365™-Plattform ganz einfach Daten und Dateien für Ihr Team freigeben.

Wir haben nur an der Oberfläche dessen gekratzt, was mit Altium Designer auf Altium 365 möglich ist. Starten Sie noch heute Ihre kostenlose Testversion von Altium Designer und Altium 365.