Entfesseln Sie die Macht der KI, um PCB-Designs zu gestalten

Menschliche Hände bedienen die Tastatur eines Laptops, während eine Roboterhand aus dem Bildschirm des Laptops zeigt.
Eine der einfachsten Möglichkeiten, mit dem durch künstliche Intelligenz (KI) unterstützten Leiterplattendesign zu beginnen, ist die einfache Registrierung auf der CELUS Design Platform unter: app.celus.io.

Im ersten Schritt werden Sie gebeten, eine Projektzusammenfassung auszufüllen, die eine Beschreibung Ihres Projekts, eine Auswahl der Funktionalitäten, die es enthalten soll, die beabsichtigte Anwendung, an welches CAD-Tool das Projekt übergeben werden soll, sowie die Möglichkeit, bevorzugte und/oder ausgeschlossene Teile und Hersteller zu bestimmen, enthält. Die Phase der Projekteinstellungen hat zwei besonders wichtige Funktionen. Erstens veranlasst sie den Benutzer, innezuhalten und einen Schritt zurückzutreten, um darüber nachzudenken, was er tun möchte, bevor er sich blindlings in die Software stürzt.

Zweitens informiert Sie die Plattform über die wesentlichen Parameter des Projekts, sodass Sie ihre Ratschläge und Antworten besser auf die Projektziele abstimmen kann. Die CELUS Design-Plattform wurde von Anfang an mit dem Gedanken an die künstliche Intelligenz entwickelt und verhält sich in vielerlei Hinsicht wie ein erfahrener Designer, der die nächste Generation berät und sein Wissen zur Verfügung stellt, die zwar vor Ideen nur so strotzt, aber nicht über die Erfahrung verfügt.

Es war dieser „begleitende" Ansatz für Projektdesign und -planung, der RECOM von Anfang an als Partner von CELUS reizte. Wir erkannten die Vorteile der künstlichen Intelligenz, wenn sie als zeitsparendes Werkzeug eingesetzt wird, das das mühsame Zusammentragen von Informationen, die Erstellung von Stücklisten, die Erstellung von Netzlisten und das Durchforsten von endlosen Datenblättern auf der Suche nach wichtigen Informationen wie Wirkungsgraden, Abmessungen oder Toleranzen überflüssig macht - eine Arbeit, die man getrost einem unermüdlichen KI-Assistenten übertragen kann, ohne dem Konstrukteur das Gefühl zu geben, nicht mehr die Kontrolle zu besitzen. In den letzten Jahren hat sich die KI jedoch weiterentwickelt und bietet nun mehr als nur Unterstützung – nämlich: Zusammenarbeit.

Sobald die CELUS-Plattform die Projekteinstellungen hinter sich gelassen hat und in die Entwurfsphase übergeht, erstellt die Software das Blockdiagramm der Systemarchitektur in gewohnter Drag-and-Drop-Manier. Die Linien, die die Funktionsblöcke verbinden, können jedoch Strom- oder Datenleitungen oder beides sein. Es ist nicht notwendig, den Verbindungstyp anzugeben, da das System weiß, wie die Funktionsblöcke miteinander verbunden werden müssen. Wenn der Schaltungsentwickler jedoch eine bestimmte Vorliebe hat, z.B. für eine I2C-Datenverbindung, weil er bereits eine bestehende Schnittstellen-Firmwarelösung für diesen Datentyp hat, kann er dem System einfach mitteilen, dass er dies wünscht. Das System wählt dann bei der Erstellung des Schaltplans die entsprechende Schnittstelle aus.

Diese Integration künstlicher Intelligenz in Designplattformen läutet einen Paradigmenwechsel im Leiterplattendesign ein, denn im Gegensatz zu herkömmlicher PCB-Software, die lediglich Verstöße gegen Designregeln anzeigt, bieten KI-gestützte Plattformen einen transformativen Ansatz. Die KI ermöglicht es dem System, riesige Informationsdatenbanken mit Leichtigkeit zu nutzen, dies gepaart mit der Intelligenz, fundierte Lösungen vorzuschlagen und so die Projektziele effektiv in funktionale elektronische Designs umzusetzen. Aus diesem Grund ist RECOM gerade dabei, das Produktportfolio, das rund 30.000 Teile umfasst, in die CELUS-Wissensdatenbank einzupflegen. Durch die Nutzung dieses Datenschatzes ist die KI in der Lage, eine differenzierte Auswahl von Komponenten zu treffen, die auf die spezifischen Anforderungen jedes Projekts zugeschnitten sind, und so die Effizienz zu steigern und die Leistung zu optimieren.

Trotz des unbestreitbaren Potenzials der KI im Leiterplattendesign ist es nur natürlich, dass Ingenieure Bedenken hinsichtlich ihrer Auswirkungen haben. Oft tauchen Fragen nach Arbeitsplatzsicherheit und Verantwortlichkeit auf: Wird KI mir den Job wegnehmen? Werde ich beschuldigt, wenn sie einen Fehler macht? Ein KI-Assistent ist jedoch keine Bedrohung, sondern kann ein zuverlässiger Partner sein, der in der Lage ist, seine Entscheidungen zu begründen und wertvolle Erkenntnisse zu liefern. Seine Fähigkeit, Entscheidungen zu begründen, fördert ein kollaboratives Umfeld, in dem weniger erfahrene Ingenieure lernen und wachsen können, ohne sich eingeschüchtert zu fühlen. Darüber hinaus bedeutet die Fähigkeit der KI zum kontinuierlichen Lernen, dass sie sich mit ihren Nutzern weiterentwickelt und sich ständig verbessert und an neue Herausforderungen anpasst.

Was kann künstliche Intelligenz im Leiterplattendesign also tun, fast tun und noch nicht tun?

Softwareplattformen wie CELUS nehmen das Blockdiagramm und finden geeignete Lösungen für Schaltungsdesigner, um den Schaltplan, die BoM (Bill of Materials), den Floorplan-Vorschlag und die Footprints in einer Auswahl verschiedener EDA-Formate (Electronic Design Automation) zu generieren, die mit gängiger PCB-Layout-Software wie Altium Designer, Autodesk Eagle und KiCad kompatibel sind. Im gewählten nativen EDA-Format kann der Benutzer die gegebene Lösung weiter modifizieren, um das Design zu optimieren, z.B. durch Änderung der Bauteilplatzierung, Hinzufügen von Polygonen oder Kupferguss zum Ausfüllen der Ebenen, Festlegen von Bauteilgruppen, Ändern des Stapels, usw.

Dies sind die üblichen Designoptionen, mit denen der Layouter vertraut ist, und sie ermöglichen es dem Benutzer, den Vorsprung, den der von der Plattform generierte Prototyp bietet, zu nutzen, um eine schnelle Time-to-Market-Lösung unter Verwendung seiner eigenen Designregeln und Präferenzen zu erstellen, anstatt Standardeinstellungen verwenden zu müssen. Dieser Übergabeprozess optimiert auch die Fähigkeiten der verschiedenen Softwareplattformen - KI ist großartig, um eine Idee schnell in ein Design zu verwandeln, aber die vielen spezialisierten und fortschrittlichen EDA-Plattformen sind ideal für die Generierung der Gerber-Dateien, die die erforderlichen CAM-Physikdaten wie die Kupferlagen, Lötmasken, NC-Bohrdaten usw. enthalten. Jedem das Seine.

Die Grenze zwischen dem KI-gestützten Entwurf und der Layout-Software ist nicht festgelegt. Je leistungsfähiger der Algorithmus des maschinellen Lernens wird, desto mehr Vorbereitungsarbeit kann vor der Übergabe geleistet werden. Beim Layout einer Leistungselektronik-Leiterplatte beispielsweise müssen häufig Online-Rechner eingesetzt werden, um die Strombelastbarkeit von Leiterbahnen und Durchkontaktierungen zu prüfen. Bestehende EDA-Programme verfügen oft über Module, die nützliche current density maps erstellen können, aber nur dann automatische Änderungen am Layout vornehmen können, wenn die Spannungspegel und der Leistungsbedarf der Komponenten bekannt sind.

Dieser Teil des Entwurfsprozesses muss daher weiterhin manuell durchgeführt werden und hängt in hohem Maße von den Fähigkeiten und der Erfahrung des jeweiligen Konstrukteurs ab, um geeignete Leiterbahnbreiten und Seitenverhältnisse zu wählen. Wenn diese Informationen über den Stromverbrauch jedoch dem Design-Assistenten mit künstlicher Intelligenz zur Verfügung gestellt werden könnten, könnten diese Daten mit der Layout-Software synchronisiert werden, sodass eine Maschine-zu-Maschine-Kommunikation zur automatischen Optimierung des Layout-Designs genutzt werden könnte. Obwohl diese Möglichkeiten noch nicht realisiert sind, deuten die laufenden Fortschritte darauf hin, dass sie bald zum Standard werden könnten.
Über einer Leiterplatte schwebender Block
Konzept eines CUBO™ Datenmoduls (KI-generiertes Bild)
Auch wenn eine Vielzahl von Daten bereits in einer Cloud-basierten Komponentendatenbank enthalten sein kann (CELUS verwendet beispielsweise ein angereichertes Datenblockformat, das CUBO™ genannt wird, um relevante Informationen über eine Komponentenanwendung zu enthalten, wie z.B. die Funktionalität von Signal-Mapping-Pins, die Anforderungen an die Stromversorgung usw. sowie alle zugehörigen erforderlichen Komponenten wie Pull-up-Widerstände, Entkopplungskondensatoren, Quarze usw., die für die volle Funktionalität benötigt werden), sind oft noch weitere Daten im Datenblatt der einzelnen Komponenten verfügbar.

Daher konzentriert man sich derzeit auf KI-gestütztes Data Mining, um relevante Daten sowohl aus Text- als auch aus grafischen Informationen in den Datenblättern zu extrahieren. Dieser Prozess ist jedoch nicht einfach. Verschiedene Hersteller platzieren äquivalente Informationen auf verschiedenen Seiten ihrer Datenblätter, sodass ein Data Miner sich durch den gesamten Text und die Grafiken arbeiten und erkennen sollte, dass z.B. eine Effizienzkennzahl auf Seite 1 des Datenblatts von Hersteller A dieselbe ist wie die in Grafik 2 auf Seite 3 des Datenblatts von Hersteller B. Manchmal fehlen die Angaben einfach, und oft sind die Angaben zwar vergleichbar, aber nicht direkt gleichwertig.

Hersteller A könnte beispielsweise eine Isolationswiderstandsspannung von 3kVDC für eine Sekunde angeben, während Hersteller B vielleicht 1kVAC für eine Minute angibt. Welche Angabe ist besser? Die Antwort hängt oft von der Anwendung und der Projektdefinition ab. Die Aufgabe, nützliche und gültige Daten aus Datenblättern zu extrahieren, erfordert daher Expertenwissen und Algorithmen der künstlichen Intelligenz, die mit inkonsistenten Daten umgehen können. Mit der Verbesserung der KI-Algorithmen verbessert sich jedoch auch die Fähigkeit, Daten genau zu extrahieren und zu interpretieren, wodurch der Weg für umfassende Data-Mining-Funktionen für Datenblätter in den kommenden Jahren geebnet wird. Diese sich entwickelnde Landschaft unterstreicht das transformative Potenzial von KI im Leiterplattendesign und verspricht weitere Innovationen und Effizienzsteigerungen für die gesamte Branche.

Zusammenfassend lässt sich sagen, dass das KI-gestützte Leiterplattendesign im Vergleich zu herkömmlichen Methoden mehrere bedeutende Vorteile bietet

Geschwindigkeit und Effizienz: KI-gestützte Designplattformen rationalisieren den Designprozess durch die Automatisierung verschiedener Aufgaben wie Schaltplanerstellung, Layout-Optimierung und Komponentenauswahl. Durch diese Automatisierung wird die Zeit, die für die Markteinführung eines Produkts benötigt wird, erheblich verkürzt, was schnellere Durchlaufzeiten und eine größere Effizienz bei den Design-Iterationen ermöglicht.
Optimierung und Leistung: KI-Algorithmen können riesige Datenmengen analysieren, um Entwürfe hinsichtlich Leistung, Zuverlässigkeit und Kosteneffizienz zu optimieren. Durch die Berücksichtigung von Faktoren wie Komponentenspezifikationen, Signalintegrität und Fertigungseinschränkungen können KI-gestützte Entwürfe im Vergleich zu manuell erstellten Entwürfen ein höheres Maß an Leistung und Zuverlässigkeit erreichen.
Verbesserte Entscheidungsfindung: Durch den Einsatz von KI-Algorithmen können Ingenieure, fundierte Designentscheidungen treffen, indem sie Feedback und Vorschläge in Echtzeit liefern. Dies hilft den Ingenieuren, potenzielle Probleme frühzeitig im Entwurfsprozess zu erkennen und alternative Entwurfsoptionen effizienter zu untersuchen, was zu besseren Gesamtergebnissen führt.
Individualisierung und Anpassungsfähigkeit: Mit Hilfe von KI-gestützten Entwurfsplattformen können die spezifischen Anforderungen jedes Projekts und die Präferenzen der Benutzer anpasst werden. Sie können benutzerdefinierte Entwurfsregeln, Einschränkungen und Präferenzen einbeziehen und ermöglichen es Ingenieuren, Entwürfe auf spezifische Anwendungsanforderungen zuzuschneiden und gleichzeitig die Kompatibilität mit Industriestandards und Best Practices zu wahren.
Wissenstransfer und Lernen: KI-gestützte Entwurfsplattformen gestalten sich als wertvolle Bildungswerkzeuge, insbesondere für weniger erfahrene Ingenieure. Durch die Erläuterung von Designentscheidungen, die Bereitstellung von Erkenntnissen und das Anbieten von Empfehlungen können KI-Systeme Ingenieuren dabei helfen, zu lernen und ihre Fähigkeiten im Laufe der Zeit zu verbessern, was zur beruflichen Entwicklung und zum Wissenstransfer innerhalb von Unternehmen beiträgt.
Risikominimierung: KI-Algorithmen können helfen, Designrisiken zu mindern, indem sie potenzielle Probleme wie offene oder kurzgeschlossene Verbindungen und Signalintegritätsprobleme erkennen, bevor sie zu kritischen Problemen werden. Dieser proaktive Ansatz für das Risikomanagement kann kostspielige Designfehler und Nacharbeiten reduzieren, was letztlich zu zuverlässigeren und robusteren Designs führt.
Insgesamt bietet das KI-gestützte Leiterplattendesign einen transformativen Ansatz, der die Leistungsfähigkeit von Automatisierung, Optimierung und Entscheidungsunterstützung kombiniert, um den Designprozess zu rationalisieren, die Designergebnisse zu verbessern und Innovationen im Bereich des Elektronikdesigns voranzutreiben.