Een internationaal onderzoeksteam heeft SFgen ontwikkeld, een innovatieve workflow die gebruikmaakt van multimodale grote taalmodellen (MLLM's) om het proces van het creëren van symbolen en footprints voor printplaten (PCB's) te automatiseren.
Het ontwerpen van printplaten is een essentieel onderdeel van de elektronica-industrie, maar het proces is traditioneel arbeidsintensief. Ingenieurs moeten handmatig symbolen en footprints voor componenten aanmaken en schema's ontwerpen, een taak die volgens de onderzoekers tijdrovend is en gevoelig voor menselijke fouten. Om dit probleem aan te pakken, hebben wetenschappers een systeem ontwikkeld dat deze stappen automatiseert door middel van agentische herkenning en generatie.
De werking van SFgen en SFnet
Het hart van deze nieuwe technologie is SFgen, een workflow die gebruikmaakt van multimodale grote taalmodellen. Deze modellen zijn in staat om informatie uit diverse bronnen te verwerken, zoals technische datasheets. Door deze documenten te analyseren, kan SFgen automatisch productieklaar ontwerpbestanden genereren die compatibel zijn met Electronic Design Automation (EDA) software. Volgens een analyse op themoonlight.io lost deze methode de sectorbehoefte op voor schaalbare en gestandaardiseerde bibliotheken.
Naast de workflow hebben de onderzoekers SFnet gecreëerd. Dit is een database die is opgebouwd met behulp van de SFgen-methode. Op dit moment bevat SFnet symbolen en footprints voor 1.000 verschillende componenten. De database is constant in uitbreiding en dient als fundament voor de volledige automatische generatie van PCB-ontwerpen.
Prestaties en nauwkeurigheid
De effectiviteit van het systeem is uitgebreid getest. Uit de resultaten blijkt dat SFgen een aanzienlijke mate van precisie bereikt bij het automatiseren van deze technische tekeningen. Zo rapporteert de publicatie op arxiv.org dat het systeem een nauwkeurigheid van 86% behaalt bij de generatie van symbolen en een nauwkeurigheid van 80% bij de generatie van footprints.
Deze cijfers onderstrepen de potentie van AI om complexe technische taken over te nemen die voorheen volledig afhankelijk waren van menselijke expertise. De integratie van visuele herkenning en tekstuele analyse stelt het systeem in staat om technische specificaties correct om te zetten in digitale ontwerpelementen.
Academische context en samenwerking
Het onderzoek is het resultaat van een samenwerking tussen verschillende instellingen. De auteurslijst bevat onderzoekers van onder andere de Shanghai Jiao Tong University, het Ningbo Institute of Digital Twin (Eastern Institute of Technology) en BTD Technology. De volledige details van het onderzoek zijn opgenomen in de reeks Lecture Notes in Computer Science en werden gepresenteerd tijdens de Pattern Recognition and Computer Vision (PRCV) conferentie van 2025, zoals vermeld op de website van springer.com.
De publicatie is breed toegankelijk gemaakt via diverse platforms om verdere innovatie in de EDA-sector te stimuleren. Op de persoonlijke homepage van een van de hoofdauteurs, Yichen Shi, wordt benadrukt dat deze agentische pijplijn specifiek is ontworpen om schaalbare databases te ondersteunen die essentieel zijn voor moderne, geautomatiseerde PCB-workflows.
Toekomstige impact op de elektronica
De introductie van SFgen en SFnet markeert een verschuiving naar een meer autonome manier van hardware-ontwerp. Door de drempel voor het aanmaken van componentbibliotheken te verlagen, kunnen ingenieurs zich meer concentreren op de architectuur en functionaliteit van hun circuits in plaats van op de repetitieve taak van het tekenen van footprints.
Hoewel de huidige nauwkeurigheid rond de 80-86% ligt, biedt de constante uitbreiding van de SFnet-database en de verdere verfijning van de MLLM-modellen kansen voor nog hogere precisie in de toekomst. De resultaten, die ook zijn geciteerd op papers.cool, suggereren dat de weg naar volledig autonome PCB-generatie nu een stevige basis heeft.