释放 AI 力量,变革 PCB 设计

Human hands operate the keyboard of a laptop while a robotic hand points out from the laptop screen.
开始人工智能 (AI) 辅助 PCB 设计,一种最简单方法就是在 CELUS 设计平台上注册:app.celus.io。

第一步,您需要完成一份项目概要,其中包括项目描述、项目所含功能选择、预期应用、项目处理所需 CAD 工具以及指定首选和/或排除器件和制造商。项目设置阶段有两个功能至关重要。一方面促使用户在盲目启动软件之前深思熟虑,清楚接下来要采取的行动。另一方面为平台提供项目的关键参数,使其能够根据项目目标调整建议和回复,从而更好地适应项目目标。CELUS 设计平台自设立之初就考虑到了人工智能,它在许多方面就像一位高级设计工程师,为下一代设计工程师指点迷津,这些新手工程师可能创意满满,但缺乏几十年的行业经验。

RECOM 选择从一开始就与 CELUS 合作,正是被项目设计和规划中采用的“伙伴式”方法所吸引。我们可以看到人工智能作为节省时间工具的优势 - 消除整理信息、生成 BoM(物料清单)、创建网络表以及在海量数据表中搜寻重要信息(如效率数据、尺寸或公差)等繁琐工作的枯燥 - 这些任务可以放心交给一个不知疲倦的 AI 助手来处理,设计工程师也不会担心失去对工作的掌控。然而,随着近年来 AI 不断进步,现在它提供的服务不仅仅是简单的协助,还包括更深层次的合作。

例如,对于 CELUS 平台,一旦完成项目设置并进入设计阶段,软件就会使用熟悉的拖放样式来创建系统架构框图。连接功能块的线可能是电源连接或数据连接,或者两者兼有。不需要指定连接类型,因为系统了解功能块之间需要如何互连。然而,如果电路设计人员有特定偏好,比如希望使用 I2C 数据连接,因为他们已经有针对该数据类型的现有接口固件解决方案,那么他们可以明确告知系统这一需求。系统随后会在生成电路原理图时选择相应的接口。人工智能与设计平台的集成预示着 PCB 设计的范式转变,因为这与传统 PCB 软件不同,传统 PCB 软件只会标记设计规则违规行为,AI 平台则提供了一种变革性的方法。集成 AI 的系统能够轻松利用庞大的信息数据库,并智能提出明智的解决方案,可有效地将项目目标转化为功能性电子设计。因此,RECOM 正在将其产品组合(大约 30,000 个产品)整合到 CELUS 知识数据库中。通过利用这些丰富的数据,AI 可以根据每个项目的具体要求进行细致的元器件选择,从而提高效率并优化性能。

因为 AI 在 PCB 设计中的潜力不可否认,所以工程师自然会对其影响心存担忧。关于工作保障和责任问题经常出现:AI 会取代我的工作吗?如果它犯了错误,我会受到责备吗?然而,AI 助手不是一种威胁,而是一个值得信赖的合作伙伴,它能够解释所做决策并提供有价值的见解。如果它能够对其决策进行合理的解释,就可以营造一种协作的环境,让经验不足的工程师在不感到畏惧的情况下学习和成长。此外,AI 的持续学习能力意味着它可以与用户一起进步,不断改进并适应新的挑战。

那么,人工智能在 PCB 设计中能实现哪些功能、几乎可以实现的功能以及尚未实现哪些功能?

CELUS 等软件平台能够接收框图,并根据框图为电路设计人员找到合适的解决方案,以评估和生成电路原理图、BoM(物料清单)、布局规划方案,以及与 Altium Designer、Autodesk Eagle 和 KiCad 等热门 PCB 布局软件兼容的多种电子设计自动化 (EDA) 格式的封装。一旦选定原生 EDA 格式,用户可以进一步修改给定的解决方案以优化设计,例如更改元器件布局、添加多边形或铜浇铸以填充平面、设置元器件群组、更改堆栈顺序等。这些都是布局设计师熟悉的常见设计选项,用户能够利用平台生成原型提供的先发优势,根据自己的自定义设计规则和偏好,而不必使用默认设置,快速实现产品上市。这一交接过程还优化了不同软件平台的能力——AI 可以快速将概念转化为设计方案,而众多专业高级的 EDA 平台则更适合生成包含所需 CAM 物理数据(如铜层、阻焊层、NC 钻孔数据等)的 Gerber 文件。每个平台都有其擅长的领域。

AI 辅助设计与布局软件之间的界限并不固定。随着机器学习算法的能力不断增强,交接之前可以完成更多的准备工作。例如,在布局电力电子 PCB 时,通常需要使用在线计算器 来确认走线和过孔的电流承载限值。目前的 EDA 程序通常具有可以生成有用电流密度图的模块,但只有在已知电压水平和元器件功率需求的情况下才能自动更改布局。因此,当前设计过程的这一环节仍然需要手动完成,并且很大程度上依赖于设计师的技能和经验来选择合适的走线宽度和过孔纵横比。然而,如果这些功耗信息可以提供给人工智能设计助手,这些数据就可以与布局软件同步,从而利用机器间通信自动优化布局设计。尽管这些功能尚未实现,但随着技术的持续发展,这些功能可能不久后就会成为标准配置。
Block floating above a printed circuit board
CUBO™ 数据模块的概念(AI 生成的图像)
尽管云端元器件数据库中已经包含大量数据(例如,CELUS 使用一种称之为 CUBO™ 的丰富数据块格式来包含有关元器件应用的相关信息,例如信号映射引脚功能、电源要求等,以及任何相关必需元器件,例如实现完整功能所需的上拉电阻器、去耦电容器、晶体等),但各个元器件数据表中往往还有更多数据可供查询。因此,目前的重点是 AI 辅助数据挖掘,从数据表中保存的文本和图形信息中提取相关数据。但这个过程并不容易。不同的制造商会在数据表的不同页面上放置等效信息,因此数据挖掘工具需要浏览所有文本和图表,并识别出,制造商 A 数据表第 1 页给出的效率数据与制造商 B 数据表第 3 页图表 2 给出的效率数据相同。有时信息可能缺失,而且通常情况下,信息虽然可比较,但并不完全等同。

例如,制造商 A 可能提供的隔离耐受电压为 3 kVDC/s,而制造商 B 可能提供的是 1 kVAC/min。哪一个更好?答案通常取决于具体应用和项目定义。任务是从数据表中提取有用和有效的数据,因此需要具备专家知识的人工智能算法,能够处理不一致的数据。然而,随着 AI 算法的改进,准确提取和解释数据的能力也在不断提高,为未来几年全面数据表数据挖掘功能的发展铺平了道路。这一不断发展的领域凸显了人工智能在 PCB 设计中的变革潜力,有望为整个行业带来持续的创新和效率提升。

总之,AI 辅助 PCB 设计与传统方法相比具有几个显著的优势

速度和效率:AI 设计平台通过自动执行原理图生成、布局优化和元器件选择等各种任务来简化设计流程。这种自动化大大减少了产品上市时间,从而缩短周转时间并提高设计迭代的效率。
优化和性能:AI 算法可以分析大量数据,以优化设计的性能、可靠性和成本效益。通过考虑元器件规格、信号完整性和制造限制等因素,与手工设计相比,AI 辅助设计可以实现更高的性能和可靠性。
增强决策能力:AI 算法可以通过提供实时反馈和建议,协助工程师做出明智的设计决策。这有助于工程师在设计过程早期发现潜在问题,并更有效地探索替代设计方案,从而获得更好的整体设计结果。
自定义和适应性:AI 设计平台可以适应每个项目的具体要求和用户偏好。还可以结合自定义设计规则、限制和偏好,让工程师能够根据特定的应用需求定制设计,同时保持与行业标准和最佳实践的兼容性。
知识转移和学习:AI辅助设计平台可以作为宝贵的教育工具,对于经验不足的工程师而言更是如此。通过解释设计决策、提供见解和建议,AI 系统可以帮助工程师逐渐学习并提高自身技能,促进组织内的专业发展和知识转移。
降低风险:AI 算法可以通过识别潜在问题(例如连接开路或短路以及信号完整性问题)来帮助降低设计风险,以免潜在问题变成关键问题。这种主动的风险管理方法可以减少昂贵的设计错误和返工成本,最终实现更可靠、更稳健的设计。
总体而言,AI 辅助 PCB 设计提供了一种变革性方法,结合自动化、优化和决策支持功能,以简化设计流程,增强设计成果,并推动电子设计领域的创新发展。