먼저 프로젝트 설명, 필수 내장 기능 옵션, 의도된 용도, 프로젝트를 전달해야 하는 CAD Tool, 선호 및/또는 제외된 부품과 제조업체를 결정할 가능성 등을 포함한 프로젝트 요약을 작성하라는 요청을 받습니다. 프로젝트 설정 단계는 특히 다음과 같은 두 가지 중요한 역할을 합니다. 첫째, 사용자가 소프트웨어를 맹목적으로 시작하기에 앞서, 잠시 멈추어 원하는 바를 생각하는 시간을 갖도록 해줍니다. 둘째, 프로젝트의 필수 매개변수에 대해 플랫폼에 정보를 제공하여 프로젝트 목표에 더욱 적합한 조언과 답변을 제시할 수 있습니다. CELUS 설계 플랫폼은 처음부터 인공 지능을 염두에 두고 개발되었으며, 아이디어가 많지만 수십 년 동안 비즈니스 관련 경험이 부족한 차세대 설계 엔지니어에게 조언과 지식을 제공하는 선임 설계 엔지니어와 같이 여러 가지 방식으로 작용합니다.
RECOM이 처음부터 CELUS와 파트너를 맺고 싶었던 이유가 바로 프로젝트 설계 및 계획에 대한 이러한 “동반자” 접근 방식이었습니다. 인공 지능은 시간 절약 도구로 사용될 때 장점을 발휘합니다. 힘들게 정보를 비교 분석할 필요가 없고 BoM(자재명세서)을 생성하며 넷리스트를 작성하고 효율성 수치, 치수 또는 허용 오차와 같은 필수 정보를 찾기 위해 수많은 데이터시트를 샅샅이 조사할 필요가 없습니다. 설계 엔지니어는 통제 불능의 좌절감 대신 지칠 줄 모르는 AI 비서에게 이러한 작업을 안전하게 할당할 수 있습니다. 그러나 몇 년 사이에 AI는 계속 발전해 왔고, 이제는 그저 도움 차원이 아닌 협업을 제공합니다.
예를 들어 CELUS 플랫폼을 통해 프로젝트 설정에서 설계 단계로 넘어가면, 소프트웨어가 익숙한 끌어서 놓기 작업을 통해 시스템 아키텍처 블록 다이어그램을 생성합니다. 그러나 기능 블록을 연결하는 선은 전원, 데이터 또는 둘 다일 수 있습니다. 시스템은 기능 블록이 상호 연결되어야 하는 방법을 이해하기 때문에 연결 유형을 지정할 필요가 없습니다. 단, 회로 설계자에게 특별히 선호하는 I2C 데이터 연결이 있는 경우, 해당 데이터 유형에 대한 기존 인터페이스 펌웨어 솔루션이 이미 있기 때문에 이를 원하는 시스템이라고 말할 수 있습니다. 회로도가 생성되면 시스템이 필요한 인터페이스를 선택합니다.
설계 플랫폼에 인공 지능을 통합한 것은 PCB 설계의 패러다임 변화를 예고합니다. 단순히 설계 규칙 위반만을 플래그하는 기존 PCB 소프트웨어와 달리, AI 기반 플랫폼은 변혁적인 접근 방식을 제공하기 때문입니다. AI를 통해 시스템은 방대한 정보 데이터베이스를 쉽게 활용할 뿐만 아니라, 정보에 입각한 솔루션을 제안하여 프로젝트 목표를 기능적인 전자 설계로 효과적으로 변환할 수 있습니다. 따라서 RECOM은 약 30,000개의 부품을 CELUS 지식 데이터베이스에 포함하는
제품 포트폴리오 통합 과정에 있습니다. AI는 이러한 풍부한 데이터를 이용하여 각 프로젝트의 특정 요구 사항에 맞게 세심하게 구성 요소를 선택함으로써 효율성을 향상시키고 성능을 최적화할 수 있습니다.
PCB 설계에서 AI의 잠재력이 명백하다 할지라도, 엔지니어가 AI의 영향에 대해 우려하는 것은 당연합니다. 종종 다음과 같은 직업 안정성과 책임감에 대한 질문이 제기됩니다. AI가 내 직업을 뺏어갈 것인가? AI가 저지른 실수에 내가 비난을 받게 될 것인가? 그러나 AI 비서는 위협이 되기 보다는 결정에 대해 설명하고 귀중한 통찰력을 제공할 수 있는 믿을 수 있는 파트너 역할을 할 수 있습니다. AI는 선택을 정당화할 수 있으므로, 경험이 부족한 엔지니어가 겁내지 않고 학습하고 성장할 수 있는 협업 환경을 조성합니다. 또한, AI의 연속학습 능력을 통해 사용자와 함께 발전하고 지속적으로 향상되어 새로운 과제에 적응할 수 있습니다.
그렇다면 PCB 설계에서 인공 지능이 할 수 있는 일, 거의 할 수 있는 일과 아직 할 수 없는 일은 무엇일까요?
CELUS와 같은 소프트웨어 플랫폼은 블록 다이어그램을 사용해 회로 설계자가 Altium Designer, Autodesk Eagle 및 KiCad와 같은 널리 사용되는 PCB 레이아웃 소프트웨어와 호환되는 다양한 전자 설계 자동화(Electronic Design Automation, EDA) 형식을 선택하는 데 있어 회로도, BoM(자재명세서), 평면도 제안, 차지 공간을 평가 및 생성하는 데 적합한 솔루션을 찾습니다. 사용자는 선택한 네이티브 EDA 형식으로 구성 요소 배치 변경, 평면을 채우기 위해 다각형 또는 카파 푸어 추가, 구성 요소 그룹 설정, 스택업 변경 등과 같이 주어진 솔루션을 더욱 수정하여 설계를 최적화할 수 있습니다. 이는 레이아웃 작업자에게 익숙한 일반적인 설계 옵션이며, 사용자가 플랫폼에서 생성된 프로토타입이 제공하는 헤드 스타트를 활용하여 시장 출시 시간을 단축하는 솔루션을 만들 수 있습니다. 이러한 과정은 사용자가 기본 설정을 사용하기보다 자신만의
맞춤형 설계 규칙 및 기본 설정을 사용하여 진행 가능합니다. 또한 이 핸드오버 프로세스는 다양한 소프트웨어 플랫폼의 기능을 최적화합니다. AI는 아이디어를 실제 설계로 신속하게 전환하기에 좋지만, 전문화된 많은 고급 EDA 플랫폼은 카파 층, 솔더 마스크, NC 드릴 데이터 등과 같은 필요한 물리적 데이터를 포함하는 CAM Gerber 파일을 생성하기에 좋습니다. 각각에 맞는 용도가 있습니다.
AI 지원 설계와 레이아웃 소프트웨어 간 경계는 고정되어 있지 않습니다. 기계 학습 알고리즘의 성능이 늘어남에 따라, 핸드오버 전에 더 많은 준비 작업을 수행할 수 있습니다. 예를 들어 전력 전자 PCB를 레이아웃할 때 트랙과 비아의 전류 용량 제한을 확인하기 위해
온라인 계산기 를 사용해야 하는 경우가 많습니다. 기존 EDA 프로그램은 종종 유용한 전류 밀도 맵을 생성할 수 있는 모듈을 갖추고 있지만, 전압 수준과 구성 요소 전력 수요를 알고 있는 경우에만 레이아웃을 자동 변경할 수 있습니다. 따라서 설계 과정에서 이 부분은 여전히 수동으로 진행되며, 적절한 트랙 너비와 비아 종횡비를 선택할 수 있는 설계자의 기술 및 경험에 크게 의존합니다. 그러나 인공 지능 설계 비서가 이러한 전력 소비 정보를 이용할 수 있다면 이 데이터를 레이아웃 소프트웨어와 동기화할 수 있고, 기계 간 통신을 사용하여 레이아웃 설계를 자동으로 최적화할 수 있습니다. 이러한 기능이 아직 구현되지는 않았지만 발전 진행 상황으로 볼 때 곧 표준 기능이 될 수 있을 것으로 전망됩니다.