最初のステップでは、プロジェクトの概要を記入していただきます。これには、プロジェクトの説明、プロジェクトに含める機能の選択、対象アプリケーション、プロジェクトを引き継ぐCADTool、優先および/または除外する部品やメーカーを決定する可能性などが含まれます。プロジェクト設定段階には、特に重要な機能が2つあります。まずこれによってユーザーは、いきなりソフトウェアを使い始める前に、一度立ち止まって、自分が何をしたいのかを考えられます。次に、プロジェクトの重要なパラメータをプラットフォームに通知し、プロジェクトの目標に合わせてアドバイスや返信をカスタマイズできます。CELUS Design Platformは、初めから人工知能を念頭に置いて開発されており、アイデアは豊富でも業界で何十年もかけて培っていく経験が不足している次世代の設計エンジニアにアドバイスや知識を提供する、先輩設計エンジニアのような役割を果たします。
プロジェクトの設計と計画に対するこの「コンパニオン」アプローチこそが、RECOMが当初からCELUSのパートナーになることを決めた理由です。人工知能を時間節約ツールとして使用した場合の利点は明らかでした。情報の照合、部品表(BoM)の生成、ネットリストの作成、効率数値、寸法、許容差などの重要な情報を探すために数え切れないほどのデータシートを調べるといった単調な作業がなくなり、設計エンジニアが制御不能になったという感覚を抱くことなく、疲れを知らないAIアシスタントに安心して任せることができるようになりました。しかし、そこからAIはさらに進歩し、今では単なる支援ではなく、コラボレーションも提供できるようになりました。
例えば、CELUSプラットフォームでは、プロジェクト設定を終えて設計段階に入ると、ソフトウェアでは使い慣れたドラッグ&ドロップスタイルを使用してシステムアーキテクチャブロック図を作成します。しかし、機能ブロックを接続するラインは、電源またはデータ、あるいはその両方である可能性があります。システムは機能ブロックをどのように相互接続する必要があるかを理解するため、接続タイプを指定する必要はありません。ただし、回路設計者が、例えば、あるデータタイプ用の既存のインターフェイスファームウェアソリューションがあるためにI2Cデータ接続を希望する場合などには、そのことをシステムに伝えることができます。
システムは回路図が生成される際に必要なインターフェースを選択します。
設計プラットフォームへの人工知能の統合は、PCB設計におけるパラダイムシフトの先駆けとなります。設計ルール違反を単にフラグ付けする従来のPCBソフトウェアとは異なり、AIを活用したプラットフォームは変革的なアプローチを提供するからです。AIにより、システムは膨大な情報データベースを容易に活用できるようになり、情報に基づいたソリューションを提案するインテリジェンスと相まって、プロジェクトの目標を機能的な電子設計に効果的に変換できます。そのため、RECOMでは、約30,000個の部品を含む当社の
製品ポートフォリオをCELUSナレッジデータベースに統合する作業を進めています。AIは、この豊富なデータを活用することで、各プロジェクトの特定の要件に合わせて細かなコンポーネント選択を行うことができ、効率を高め、パフォーマンスを最適化します。
PCB設計におけるAIの潜在能力は否定できないものの、エンジニアがその影響について懸念を抱くのは当然です。よくある疑問として、雇用の安定性と責任に関する疑問が生じるでしょう。AIは私の仕事を奪ってしまうのでしょうか?間違いがあったら私が責められるのでしょうか?しかし、AIアシスタントは脅威となるのではなく、自らの決定を説明し、貴重な洞察を提供できる、信頼できるパートナーとして機能することができます。選択の正当性を説明するAIの能力により、経験の浅いエンジニアが不安を感じることなく学び、成長できる協力的な環境が育まれます。さらに、AIの継続的な学習能力は、ユーザーとともに進化し、常に改善して新しい課題に適応することを意味します。
では、PCB設計において、人工知能は何ができて、何がほとんどできるようになっていて、そして何がまだできないのでしょうか?
CELUSなどのソフトウェアプラットフォームは、ブロック図を取得し、Altium Designer、Autodesk Eagle、KiCadなどの一般的なPCBレイアウトソフトウェアと互換性のあるさまざまな電子設計自動化(EDA)形式から選択して回路設計者が回路図、BoM(部品表)、フロアプラン提案、フットプリントを評価および生成するために適切なソリューションを見つけます。ネイティブEDA形式を選択すると、ユーザーは、コンポーネントの配置の変更、プレーンを埋めるためのポリゴンや銅箔の追加、コンポーネントグループの設定、スタックアップの変更など、特定のソリューションをさらに変更して設計を最適化できます。
これらは、レイアウト担当者が慣れ親しんでいる一般的な設計オプションで、ユーザーは、プラットフォームで生成されたプロトタイプによって有利にスタートを切り、デフォルト設定を使用するのではなく、独自の
カスタム設計ルールと設定を使用して、市場投入までの時間を短縮できるソリューションを作成できます。この引き継ぎプロセスによって、さまざまなソフトウェアプラットフォームの能力も最適化されます。AIは迅速にアイデアを設計に変えるのに適していますが、多くの専門的で高度なEDAプラットフォームは、銅層、はんだマスク、NCドリルデータなどの必要なCAM物理データを含むガーバーファイルを生成するのに最適です。それぞれがそれぞれの働きをします。
AI支援設計とレイアウトソフトウェアの境界は固定されたものではありません。機械学習アルゴリズムの能力が増すにつれ、引き継ぎ前により多くの準備作業が行えるようになります。例えば、パワーエレクトロニクスPCBをレイアウトする際に、トラックとビアの電流容量の限界を確認するためによく
オンライン計算ツールを使用する必要があります。既存のEDAプログラムには便利な電流密度マップを生成できるモジュールが含まれていることが多いのですが、レイアウトの自動的な変更は、電圧レベルとコンポーネントの電力需要がわかっている場合にのみできます。したがって、設計プロセスのこの部分は手動のままであり、適切なトラック幅やビアアスペクト比を選択する設計者の技術と経験に大きく依存しています。しかし、人工知能設計アシスタントがこの電力消費情報を利用できるようになれば、このデータをレイアウトソフトウェアと同期させることができ、マシン間通信を活用してレイアウト設計を自動的に最適化することが可能になります。このような機能はまだ実現されていませんが、現在進行中の進歩は、近いうちに標準機能になる可能性を示唆しています。