ورود هوش مصنوعی به چرخه طراحی سخت افزار؛ از انتخاب قطعات و طراحی PCB تا تولید Firmware و فایل‌های Gerber

OpenAI در گزارش جدید خود از گسترش کاربرد ChatGPT و Codex در مهندسی الکترونیک، طراحی PCB، مدل‌سازی مکانیکی و شبیه‌سازی مهندسی خبر داده است. در یکی از آزمایش‌های این شرکت، مدل هوش مصنوعی GPT-6 توانسته با استفاده از قابلیت‌های چندوجهی و تعامل با ابزارهای طراحی، یک دستگاه الکترونیکی را از مرحله تعریف نیازمندی‌ها تا طراحی برد، بدنه و نرم‌افزارهای موردنیاز پیش ببرد.

این اتفاق را می‌توان یکی از نشانه‌های مهم تغییر نقش هوش مصنوعی در صنعت الکترونیک دانست؛ جایی که AI دیگر صرفاً ابزاری برای نوشتن کدهای C یا تولید مستندات نیست، بلکه به‌تدریج وارد زنجیره طراحی و توسعه محصولات الکترونیکی می‌شود.

OpenAI در تاریخ ۳ نوامبر ۲۰۲۶، گزارشی با عنوان «Accelerating Engineering for the Physical World» منتشر کرد که در آن جزئیات آزمایش‌های داخلی و همکاری‌های صنعتی این شرکت در حوزه مهندسی فیزیکی تشریح شده است.

طراحی یک دستگاه الکترونیکی از صفر با کمک GPT-6

یکی از مهم‌ترین بخش‌های گزارش OpenAI، آزمایش طراحی یک دستگاه فیزیکی برای برقراری ارتباط کاربران با Codex است. در این پروژه، مدل GPT-6 با استفاده از قابلیت‌های چندوجهی و تعامل با محیط‌های نرم‌افزاری، وظایف مختلفی را در فرایند توسعه دستگاه انجام داده است. این فرایند را می‌توان به چند بخش اصلی تقسیم کرد:

تعریف نیازمندی‌های سیستم (System Requirements)

در اولین مرحله، نیازمندی‌های عملکردی دستگاه مشخص شدند. این مرحله در مهندسی الکترونیک اهمیت زیادی دارد؛ زیرا انتخاب معماری سخت‌افزار، قطعات و رابط‌های ارتباطی باید بر اساس عملکرد مورد انتظار سیستم انجام شود.

برای مثال، مهندس باید مشخص کند:

• دستگاه به چه ورودی‌ها و خروجی‌هایی نیاز دارد؟
• چه رابط‌های ارتباطی باید پشتیبانی شوند؟
• چه محدودیت‌هایی از نظر ابعاد و مصرف انرژی وجود دارد؟
• چه پردازنده یا میکروکنترلری برای اجرای وظایف دستگاه مناسب است؟
• ارتباط میان سخت‌افزار و نرم‌افزار چگونه برقرار خواهد شد؟

در این پروژه، GPT-6 در تعریف نیازمندی‌ها و توسعه ساختار کلی دستگاه مشارکت داشته است.

انتخاب قطعات و طراحی شماتیک الکترونیکی

در مرحله طراحی الکترونیک، مدل قطعات موردنیاز را انتخاب کرده و در طراحی PCB مشارکت داشته است .این بخش برای مهندسان الکترونیک اهمیت ویژه‌ای دارد؛ زیرا طراحی یک برد تنها به انتخاب چند قطعه و اتصال پایه‌های آن‌ها محدود نمی‌شود. در یک پروژه واقعی باید موارد  زیر بررسی شوند:

• مشخصات الکتریکی قطعات و سازگاری آن‌ها با یکدیگر
• محدوده ولتاژ تغذیه و جریان مصرفی
• سطح منطقی ورودی و خروجی قطعات
• نیازمندی‌های کلاک و زمان‌بندی
• مدارهای راه‌انداز و محافظت
• اتصالات مربوط به رابط‌های ارتباطی
• محدودیت‌های ابعادی و جانمایی قطعات

OpenAI در گزارش خود اعلام کرده که مدل در انتخاب قطعات الکترونیکی و طراحی PCB، شامل جانمایی قطعات و اتصالات آن‌ها، مشارکت داشته است. البته جزئیات شماتیک، شماره قطعات و فایل‌های طراحی این برد به‌صورت عمومی منتشر نشده‌اند؛ بنابراین نمی‌توان درباره توپولوژی مدار یا قطعات استفاده‌شده قضاوت دقیقی داشت.

طراحی PCB و جانمایی قطعات

یکی از چالش‌های اصلی در طراحی بردهای الکترونیکی، هماهنگ‌کردن طراحی الکتریکی با محدودیت‌های مکانیکی است. برای مثال، ممکن است یک کانکتور از نظر الکتریکی کاملاً مناسب باشد، اما محل قرارگیری آن با ساختار بدنه تداخل داشته باشد. در چنین شرایطی، طراحی بردهای PCB باید با طراحی مکانیکی هماهنگ شود. در آزمایش OpenAI، مدل توانسته است طراحی برد، جانمایی قطعات و اتصالات را با ابعاد و ساختار محفظه دستگاه هماهنگ کند. از دیدگاه مهندسی، این موضوع اهمیت زیادی دارد؛ زیرا یکی از زمان‌برترین بخش‌های توسعه محصول، رفت‌وبرگشت میان تیم‌های طراحی الکترونیک و مکانیک برای اصلاح ابعاد، محل کانکتورها و ساختار داخلی دستگاه است.

طراحی بدنه و ساختار مکانیکی

در کنار طراحی برد، GPT-6 ساختار محفظه و اجزای داخلی نگهدارنده قطعات را نیز طراحی کرده است. این بخش شامل طراحی فضایی برای قرارگیری PCB، تثبیت قطعات و هماهنگی ساختار مکانیکی با اجزای الکترونیکی است. در یک محصول واقعی، مواردی مانند موارد زیر اهمیت دارند:

• فاصله مناسب میان PCB و دیواره محفظه
• محل قرارگیری کانکتورها و کلیدها
• امکان دسترسی به قطعات برای تعمیر و نگهداری
• نحوه تثبیت برد و جلوگیری از لرزش
• مدیریت حرارت قطعات
• محدودیت‌های فرایند تولید و مونتاژ

نکته جالب این پروژه، یکپارچه‌سازی طراحی الکترونیکی و مکانیکی در یک گردش‌کار مشترک است.

تولید Firmware و یکپارچه‌سازی نرم‌افزار

بخش دیگر پروژه به توسعه نرم‌افزار و Firmware اختصاص داشته است. مدل علاوه بر طراحی رابط کاربری، در تولید Firmware و نرم‌افزارهای موردنیاز برای اتصال دستگاه به Codex مشارکت کرده است. این قسمت به‌ویژه برای مهندسان Embedded جذاب است؛ زیرا توسعه یک محصول امبدد معمولاً به هماهنگی چند لایه نرم‌افزاری نیاز دارد:

• لایه راه‌انداز سخت‌افزار (Hardware Abstraction)
• راه‌اندازی و پیکربندی Peripheralها
• مدیریت ورودی و خروجی‌ها
• پیاده‌سازی پروتکل‌های ارتباطی
• مدیریت خطا و وضعیت سیستم
• ارتباط میان Firmware و نرم‌افزارهای سطح بالاتر

بااین‌حال، گزارش OpenAI جزئیات معماری Firmware، سیستم‌عامل، میکروکنترلر یا پروتکل ارتباطی استفاده‌شده در این دستگاه را منتشر نکرده است.

از طراحی PCB تا فایل Gerber؛ Codex چگونه وارد محیط ECAD می‌شود؟

شاید مهم‌ترین بخش گزارش برای مهندسان الکترونیک، توضیحات یکی از اعضای تیم طراحی سخت‌افزار OpenAI باشد. به گفته Qiong Wang، مهندس این شرکت، ChatGPT و Codex در فعالیت‌های طراحی سخت‌افزار برای سازمان‌دهی محدودیت‌های بین‌بخشی، بررسی معماری‌های مختلف سیستم، اجرای وظایف در محیط‌های ECAD و انجام بازبینی‌های فنی استفاده می‌شوند. او همچنین به این موضوع اشاره کرده که چشم‌انداز آینده این فناوری، کمک به توسعه یک برد از مرحله ایده اولیه تا خروجی Gerber است. برای درک اهمیت این موضوع باید به گردش‌کار معمول طراحی PCB توجه کنیم. در یک پروژه متداول، فرایند توسعه برد شامل مراحل زیر است:

1. تعریف نیازمندی‌های سخت‌افزار
2. انتخاب قطعات و بررسی Datasheetها
3. طراحی شماتیک (Schematic Design)
4. بررسی اتصالات و قوانین الکتریکی (ERC)
5. طراحی PCB و جانمایی قطعات
6. مسیریابی ترک‌ها (Routing)
7. بررسی قوانین طراحی (DRC)
8. تولید فایل‌های ساخت شامل Gerber و Drill
9. تهیه BOM و مستندات مونتاژ

در این فرایند، Codex می‌تواند به‌عنوان یک عامل هوشمند در تعامل با محیط‌های طراحی و اجرای وظایف مهندسی عمل کند. البته باید به یک نکته توجه داشت: OpenAI در این گزارش اعلام نکرده که تمام مراحل فوق به‌صورت کاملاً خودکار و بدون دخالت فرد انجام می‌شوند. اشاره به حرکت از ایده تا Gerber، چشم‌انداز توسعه این قابلیت است، نه اثبات خودکارسازی کامل آن در شرایط تولید صنعتی.

استفاده از AI در طراحی CAD و شبیه‌سازی مهندسی

کاربرد Codex تنها به طراحی بردهای الکترونیکی محدود نمی‌شود. تیم‌های سخت‌افزار و زیرساخت OpenAI از این ابزار برای ایجاد و اصلاح مدل‌های CAD، تبدیل مدل‌های سه‌بعدی به نقشه‌های دوبعدی تولید، تنظیم شبیه‌سازی‌ها و بازبینی طراحی‌ها استفاده می‌کنند. یکی از کاربردهای مهم در این زمینه، تحلیل اجزای محدود یا FEA است. در روش Finite Element Analysis، مدل هندسی یک قطعه به تعداد زیادی المان کوچک تقسیم می‌شود تا رفتار آن در شرایط مختلف بررسی شود. برای مثال، می‌توان موارد زیر را شبیه‌سازی کرد:

• توزیع تنش مکانیکی
• تغییر شکل قطعه تحت بار
• رفتار حرارتی
• ارتعاشات مکانیکی
• عملکرد سازه در شرایط کاری مختلف

Codex می‌تواند در آماده‌سازی مدل، تنظیم پارامترهای شبیه‌سازی و انجام کارهای تکراری مرتبط با این فرایند کمک کند. این موضوع برای طراحی محفظه تجهیزات الکترونیکی، سیستم‌های Embedded صنعتی و بردهایی که در محیط‌های دارای ارتعاش یا دمای بالا کار می‌کنند، اهمیت دارد.

BenchCAD 2.0؛ ارزیابی توانایی هوش مصنوعی در طراحی مهندسی

OpenAI برای سنجش توانایی مدل‌های خود در وظایف ترکیبی برنامه‌نویسی و مهندسی از معیار ارزیابی BenchCAD 2.0 استفاده می‌کند. این معیار دو وظیفه مهم را بررسی می‌کند: بازسازی قطعات و مجموعه‌های مکانیکی سه‌بعدی و شناسایی اتصالات موجود در بردهای مدار چاپی نتایج اعلام‌شده توسط OpenAI به شرح زیر است:

امتیاز میانگین	مدل
0.594	GPT-6 Astra در بالاترین سطح استدلال
0.875	مدل داخلی جدیدتر OpenAI

این اعداد نشان‌دهنده بهبود عملکرد مدل جدیدتر در وظایف تعریف‌شده این آزمون هستند؛ اما نباید آن‌ها را معادل دقت ۸۷٫۵ درصد در طراحی PCB یا آمادگی برای تولید صنعتی در نظر گرفت. برای ارزیابی واقعی یک طراحی الکترونیکی، معیارهایی مانند صحت شماتیک، رعایت DRC، عملکرد سیگنال‌های پرسرعت، یکپارچگی توان، EMC و قابلیت اطمینان نیز باید بررسی شوند.

بازسازی قطعات الکترومکانیکی از اسکن سه‌بعدی

یکی دیگر از کاربردهای معرفی‌شده، همکاری OpenAI با تیم Chip Ganassi Racing است. در این پروژه، از مدل‌های هوش مصنوعی برای تبدیل داده‌های حاصل از اسکن سه‌بعدی قطعات فیزیکی به مدل‌های CAD قابل‌ویرایش و نقشه‌های دوبعدی استفاده می‌شود. این قابلیت در مهندسی معکوس (Reverse Engineering) کاربرد زیادی دارد. فرض کنید یک قطعه مکانیکی یا محفظه تجهیزات الکترونیکی در اختیار دارید، اما فایل طراحی اولیه آن موجود نیست. در روش سنتی، مهندس باید با استفاده از ابزارهای اندازه‌گیری و نرم‌افزارهای CAD، هندسه قطعه را بازسازی کند. در گردش‌کار مورد بررسی OpenAI، داده‌های اسکن سه‌بعدی به‌عنوان ورودی استفاده می‌شوند و مدل هوش مصنوعی در تبدیل این داده‌ها به هندسه قابل‌ویرایش مشارکت می‌کند. این فناوری می‌تواند در بازطراحی محفظه بردهای الکترونیکی، ساخت قطعات جایگزین و توسعه تجهیزات سفارشی مفید باشد. البته خروجی بازسازی‌شده باید از نظر ابعاد، تلرانس‌ها و قابلیت تولید توسط مهندس بررسی شود.

محدودیت‌های AI در طراحی سخت‌افزار؛ چرا هنوز به مهندس نیاز داریم؟

با وجود قابلیت‌های معرفی‌شده، OpenAI به یکی از مشکلات مهم آزمایش خود نیز اشاره کرده است. در پروژه ساخت دستگاه، مدل همیشه نمی‌توانست محدودیت‌های واقعی فرایند تولید، تلرانس‌های مکانیکی و جزئیات موردنیاز برای مونتاژ را به‌درستی در نظر بگیرد. این موضوع در مهندسی الکترونیک اهمیت زیادی دارد. برای مثال، یک PCB ممکن است از نظر شماتیک و اتصالات الکتریکی صحیح باشد، اما در عمل با مشکلات زیر مواجه شود:

• رعایت‌نشدن Clearance و Creepage
• انتخاب نامناسب عرض ترک‌های جریان بالا
• مشکلات امپدانس کنترل‌شده در خطوط پرسرعت
• عدم رعایت الزامات بازگشت جریان
• تداخل الکترومغناطیسی
• مشکلات حرارتی و دفع توان
• ناسازگاری Footprint با قطعه واقعی
• عدم تطابق ابعاد کانکتورها با محفظه
• مشکلات مونتاژ و لحیم‌کاری

همچنین در توسعه Firmware، تولید کد به‌تنهایی تضمین‌کننده عملکرد صحیح سیستم نیست. کد تولیدشده باید از نظر مدیریت حافظه، زمان‌بندی، هم‌زمانی، مدیریت وقفه‌ها، مصرف منابع و رفتار در شرایط خطا بررسی و آزمایش شود. بنابراین، نقش مهندس همچنان حیاتی است. تفاوت اصلی این است که بخشی از کارهای تکراری و زمان‌بر می‌تواند به عامل هوشمند سپرده شود و مهندس زمان بیشتری برای تحلیل، اعتبارسنجی و تصمیم‌گیری تخصصی داشته باشد.

همکاری OpenAI و Mazda؛ استفاده از شبیه‌سازی برای بهینه‌سازی خودرو

OpenAI همچنین همکاری پژوهشی جدیدی با Mazda آغاز کرده است. در این همکاری، از مدل‌های هوش مصنوعی برای بررسی طراحی‌های جدید خودرو با استفاده از شبیه‌سازی جریان هوا و رفتار سازه‌ای استفاده می‌شود. برای مثال، مدل می‌تواند شکل‌های مختلف قسمت جلویی خودرو را پیشنهاد دهد و با شبیه‌سازی جریان هوا، تأثیر تغییرات هندسی را بر مقاومت آیرودینامیکی بررسی کند. این فرایند به مهندسان کمک می‌کند تعداد بیشتری از گزینه‌های طراحی را در زمان کمتری ارزیابی کنند. البته انتخاب نهایی باید میان عملکرد آیرودینامیکی، ایمنی، طراحی ظاهری و هزینه تولید تعادل برقرار کند.

آیا طراحی سخت‌افزار با کمک هوش مصنوعی وارد مرحله جدیدی شده است؟

گزارش جدید OpenAI نشان می‌دهد که کاربرد مدل‌های هوش مصنوعی در مهندسی الکترونیک در حال عبور از مرحله تولید کد و پاسخ‌گویی به پرسش‌های فنی است. ترکیب قابلیت‌های تحلیل، تولید کد، تعامل با نرم‌افزارهای تخصصی و اجرای وظایف چندمرحله‌ای می‌تواند در آینده بخش‌هایی از چرخه طراحی محصولات الکترونیکی را خودکار کند. برای مهندسان برق، الکترونیک و Embedded، این تحول می‌تواند در چند حوزه اهمیت ویژه‌ای داشته باشد:

• تسریع در طراحی و بازبینی شماتیک و PCB
• کمک به انتخاب قطعات و بررسی مشخصات فنی
• خودکارسازی بخشی از وظایف تکراری در محیط‌های ECAD
• تولید و بررسی کدهای Firmware
• هماهنگی بهتر میان طراحی الکترونیک و مکانیک
• آماده‌سازی شبیه‌سازی‌ها و مستندات مهندسی
• کاهش زمان توسعه نمونه‌های اولیه

البته فاصله میان یک طراحی تولیدشده توسط AI و یک محصول قابل‌اعتماد صنعتی همچنان قابل‌توجه است. اعتبارسنجی الکتریکی، تست عملی، بررسی EMC، تحلیل حرارتی و تأیید فرایند تولید همچنان به دانش و تجربه مهندسان نیاز دارد. به نظر می‌رسد در آینده، مهندسی الکترونیک بیش از آنکه صرفاً به توانایی طراحی دستی مدار و نوشتن کد وابسته باشد، به توانایی هدایت ابزارهای هوشمند، تعریف دقیق محدودیت‌ها و ارزیابی تخصصی خروجی آن‌ها وابسته خواهد شد.

منابع

۱. گزارش رسمی OpenAI – Accelerating Engineering for the Physical World

۲. پست رسمی OpenAI در شبکه اجتماعی X