AIデジタルツインを使用してデザインと対話する

AIがこれほどまでに普及している現在、その技術を最適に活用する方法については同じくらいの混乱があります。テストデータを分析するためのChatGPTの使用や組み込みコードを書いて実行するための生成AIの使用などの記事で、ChatGPTのようなAIがデータ分析だけでなく、コードの書き方までをアシストできることを見てきました。電気エンジニアにとって、生成AIの分析とコード書き込みの機能は役立つことがありますが、常にゲームチェンジャーとは限りません。この記事では、「設計と会話をする」ことを可能にするカスタムGPTを構築することに焦点を当てます。ChatGPT内でArty A7評価ボードの「デジタルツイン」を作成し、AIアシスタントを使用して設計、トラブルシューティング、およびボードの操作を行う能力を得ます。

デジタルツインとは何か？

デジタルツインは、実際のオブジェクトを反映した仮想モデルです。このデジタルの対応物を作成することで、物理的なアイテムがなくてもオブジェクトの振る舞いをシミュレートしてテストすることができます。Arty A7評価ボードにとって、デジタルツインを持つことは、実際のハードウェアを最初に扱うことなく、仮想的にトラブルシューティング、設計、作業を行うことができることを意味します。これにより、プロセスがより効率的になり、徹底的なテストと設計の調整が可能になります。明らかに、モデルの精度やそれとのやり取りのしやすさに関しては、可能性は無限大です。簡潔さと簡単さを重視するために、設計の疑問やトラブルシューティングに役立つかなり原始的なArty A7のデジタルツインを構築することにします。

RAGを使用したシンプルなデジタルツイン

取得強化生成（RAG）は、知識集約型NLPタスクのための取得強化生成という論文で最もよく知られている方法論であり、大規模言語モデル（LLM）を手持ちのデータ（モデル内で学習したデータとは対照的に）と組み合わせて使用します。例えば、LLMに私の家の価格を尋ねた場合、それが正確に答えられるかどうかは分かりません。しかし、最近の不動産税の請求書など、「コンテキスト」を提供すれば、（自然言語処理を使用しているだけなので）かなり簡単にそれを把握できるはずです。要するに、RAGはLLMにコンテキストを提供して、より高品質な応答を生成するというコンセプトを使用しています。独自のシステムがバックエンドとして何を使用しているか正確には分かりませんが、AIを使ったデジタルツインを構築するためにRAGのようなアプローチがかなり一般的であると考えるのはかなり安全です。

コンテキストを持つカスタムGPTの構築

AIラボアシスタントの構築や組み込みコードの作成と実行にジェネレーティブAIを使用するで見たように、カスタムGPTを書いてWebサーバーとやり取りしたり、機器を制御したりすることができますが、デジタルツインとして機能するコンテキストも含むことができます。設定は実際には非常にシンプルです。有料プラスバージョンのChatGPTを使用して、左サイドバーの「Explore GPTs」をクリックし、右上隅の「Create」ボタンをクリックすることで、カスタムGPTを作成できます。注：この記事を書いている時点で、カスタムGPTを作成するためのナビゲーションは過去6ヶ月間でほぼ3回変更されました。これらの指示が古い場合は、カスタムGPTの作成方法についてOpenAIのドキュメントを参照してください。

カスタムGPTを作成するオプションがあるページに移動したら、すべてのパラメータを入力し、「コンテキスト」を提供する準備ができています。

図1：カスタムGPTの設定

私がカスタムGPTに名前、説明、一連の基本的な指示、そして「知識」のファイルセットを与えたことに気づくでしょう。これらのファイルは、私のArty A7のもので構成されています：

• スキーマ設計
• ボード上のチップの各データシート
• サンプルVHDLコード
• FPGAデザイン制約ファイル

もちろん、材料表やその他の設計文書、さらに多くのデータシートなど、さらに多くのデータを提供することもできますが、これで私のコンセプトを証明するには十分だと思いました。

では、何ができるのでしょうか？

デジタルツインからのクイックリファレンスルックアップを実行するために、ボード上のコンポーネントについて尋ねることで、ここで数秒を節約できます。例えば：

図2：データシートのクエリ

そして、データシートから引き出されたデータは一致しているようです（ただし、PDF内の表を間違って解釈することがあります）：

図3：データシートから取得した仕様

些細なことですが、特にChatGPTの音声バージョンを使用している場合は、時間を節約できます。また、オシレータが正常に機能していないことをカスタムGPTに伝え、特定の部品に合わせたトラブルシューティングの提案を求めることもできます：

図4：オシレータのトラブルシューティング

あなたのスキルレベルによって、この情報が役立つかどうかは異なります。さらに一歩進めて、たとえばフラッシュメモリが応答しない理由をトラブルシューティングするために、それに助けを求めることもできます。より複雑な回答には、データシートの仕様（オシレーターに似ている）だけでなく、コードやピンの制約への参照も含まれます。さらに多くの文脈をプロンプトに提供すること、例えばあなたの変更したコードなどは、問題を明らかにする可能性を高めます。これらの例は、やや些細なものですが、LLMとRAGを使用して非常に迅速にデジタルツインを構築する能力と力を示しています。カスタムGPTの設定プロセスには文字通り5分しかかかりませんでした（そのほとんどはアップロード時間が原因でした）。これはデジタルツイン時代の始まりに過ぎませんが、今後数年間でさらに多くの画期的な進歩を目の当たりにすることでしょう。

結論

TRANSLATE: この記事では、デジタルツインの概念と、Arty A7 評価ボードを操作およびトラブルシューティングするためのカスタムGPTの作成方法について探求しました。AIを活用することで、設計と仮想的に対話し、時間を節約し効率を向上させることができます。独自のカスタムGPTを設定する手順は直接的で、迅速に実行できます。基本を理解した今、実験してみて自分自身でその利点を確認しましょう。飛び込んで、あなたのデジタルツインを作成し、今日からあなたの設計と立ち上げプロセスを最適化し始めましょう!