論文の概要: pcbGPT: Automatic PCB Schematic Synthesis from Natural Language Requirements
- arxiv url: http://arxiv.org/abs/2606.01188v1
- Date: Sun, 31 May 2026 12:07:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:29.371184
- Title: pcbGPT: Automatic PCB Schematic Synthesis from Natural Language Requirements
- Title（参考訳）: pcbGPT: 自然言語からのPCB自動スキーマ合成
- Authors: Tobias King, Steven Kehrberg, Michael Beigl, Tobias Röddiger,
- Abstract要約: 自然言語仕様から編集可能なKiCadスキーマを生成するシステムであるpcbGPTを提案する。
参照実装,要求コンポーネント,インターフェース制約を備えた20個の組込みタスクに対して,本システムの評価を行った。
- 参考スコア（独自算出の注目度）: 5.338311084575534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Translating natural-language hardware requirements into correct printed circuit board (PCB) schematics remains difficult in embedded, IoT, and wearable development. Designers must choose compatible components, interpret datasheets, add support circuitry, and expose correct interfaces before layout and prototyping can begin, while many such circuits cannot be validated through straightforward simulation. We present pcbGPT, a grounded system for generating editable KiCad schematics from natural-language specifications. pcbGPT represents circuits in a Python DSL and combines tool-augmented synthesis with component-library search, datasheet-grounded design knowledge, execution-based checking, structural and semantic validation, and an interactive web workflow that supports iterative refinement and synchronization with KiCad projects. We evaluate the system on 20 embedded schematic-generation tasks with reference implementations, required components, and interface constraints that enable automatic comparison. The best model reaches overall pass@1 of 0.90 and pass@5 of 1.00; pass@1 is 1.00 on basic and easy tasks, 0.91 on medium tasks, and 0.72 on hard tasks. These results, together with failure analysis, show that pcbGPT can already generate useful, reviewable first-draft schematics for early prototyping, but is not yet reliable enough to replace expert review.
- Abstract（参考訳）: 組み込み、IoT、ウェアラブル開発において、自然言語のハードウェア要件を正しいプリント基板(PCB)スキーマに変換することは依然として困難である。
設計者は互換性のあるコンポーネントを選択し、データシートを解釈し、サポート回路を追加し、レイアウトやプロトタイピングを開始する前に正しいインターフェースを公開する必要がある。
自然言語仕様から編集可能なKiCadスキーマを生成する基盤システムであるpcbGPTを提案する。
pcbGPTはPython DSLの回路を表し、ツールの拡張された合成とコンポーネントライブラリ検索、データシートによる設計知識、実行ベースのチェック、構造的およびセマンティックなバリデーション、そしてKiCadプロジェクトとの反復的な洗練と同期をサポートするインタラクティブなWebワークフローを組み合わせる。
自動比較が可能な参照実装,必要なコンポーネント,インターフェース制約を備えた20の組込みスキーマ生成タスクに対して,システムの評価を行った。
最高のモデルは0.90のpass@1と1.00のpass@5に到達し、pass@1はベーシックで簡単なタスクで1.00、中程度のタスクで0.91、ハードタスクで0.72になる。
これらの結果は、フェール解析とともに、pcbGPTが早期プロトタイピングに有用でレビュー可能な第1ドラフトのスキーマをすでに生成可能であることを示しているが、専門家のレビューを置き換えるには不十分である。
関連論文リスト
- SchGen: PCB Schematic Generation with Semantic-Grounded Code Representations [14.65619005733256]
本稿では、自然言語要求から編集可能なPCBスキーマを生成する最初の大規模言語モデルであるSchGenについて述べる。
現在のスキーマ形式は冗長、ツール固有の構文、幾何学的な記述が支配的である。
我々は,相対的な配置とピン名に基づく配線で,スキーマ的編集プリミティブを符号化する意味的基底コード表現を導入する。
論文 参考訳（メタデータ） (2026-05-28T17:59:50Z) - phys-MCP: A Control Plane for Heterogeneous Physical Neural Networks [1.8250157298114644]
物理ニューラルネットワークは計算を直接材料力学に埋め込む。
エッジコンピューティング、特に極端エッジでは魅力的です。
本稿では,PNNの基板認識アーキテクチャであるphys-MCPについて述べる。
論文 参考訳（メタデータ） (2026-05-05T19:48:19Z) - Matching Features, Not Tokens: Energy-Based Fine-Tuning of Language Models [102.20309135516186]
クロスエントロピー(CE)トレーニングは、言語モデルの密集したスケーラブルな監視を提供する。
言語モデル微調整のための特徴マッチング手法を提案する。
この目的を効率的に最適化するために,エネルギーベースファインチューニングを提案する。
論文 参考訳（メタデータ） (2026-03-12T17:57:50Z) - PCBSchemaGen: Constraint-Guided Schematic Design via LLM for Printed Circuit Boards (PCB) [4.9615245990668795]
プリント回路基板(PCB)のアーキテクチャ設計は、電子産業のあらゆる分野において重要な役割を担っている。
LLMエージェントと制約合成を組み合わせたPCBスキーマ設計のための最初のトレーニングフリーフレームワークであるPCBGenを紹介する。
その結果,PCBGenは設計精度と計算効率を大幅に向上することがわかった。
論文 参考訳（メタデータ） (2026-01-31T04:39:43Z) - CircuitLM: A Multi-Agent LLM-Aided Design Framework for Generating Circuit Schematics from Natural Language Prompts [0.5219568203653523]
大型言語モデル(LLM)は、しばしば細かい詳細を幻覚し、電気的制約に違反し、機械で読めない出力を生成する。
ユーザプロンプトを構造化して視覚的に解釈可能なCircuitJSONスキーマに変換する,マルチエージェントLCM支援回路設計パイプラインであるCircuitLMを提案する。
この作業は、自然言語入力をデプロイ可能なハードウェア設計にブリッジし、非専門家による信頼性の高い回路プロトタイピングを可能にする。
論文 参考訳（メタデータ） (2026-01-08T02:18:43Z) - An Architecture-Led Hybrid Report on Body Language Detection Project [0.0]
本報告では、2つの近代視覚言語モデル(VLM)のアーキテクチャによる分析について述べる。
アーキテクチャプロパティがBodyLanguageDetectionで実装された実用的なビデオからアーティファクトパイプラインにどのようにマップされているかを説明する。
論文 参考訳（メタデータ） (2025-12-28T18:03:00Z) - CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。
オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。
我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
論文 参考訳（メタデータ） (2023-08-31T02:20:25Z) - Automatic digital twin data model generation of building energy systems
from piping and instrumentation diagrams [58.720142291102135]
建物からP&IDのシンボルや接続を自動で認識する手法を提案する。
シンボル認識,線認識,およびデータセットへの接続の導出にアルゴリズムを適用する。
このアプローチは、制御生成、(分散)モデル予測制御、障害検出といった、さらなるプロセスで使用することができる。
論文 参考訳（メタデータ） (2021-08-31T15:09:39Z) - Pythonic Black-box Electronic Structure Tool (PyBEST). An open-source
Python platform for electronic structure calculations at the interface
between chemistry and physics [52.77024349608834]
Pythonic Black-box Electronic Structure Tool (PyBEST) はトルーンのニコラス・コペルニクス大学で開発された。
PyBESTは主にPython3プログラミング言語で書かれており、追加の部分はC++で書かれている。
PyBESTの大規模電子構造計算能力は、モデルビタミンB12化合物に対して実証された。
論文 参考訳（メタデータ） (2020-10-12T07:10:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。