سلام رفقا! امروز میخوام درباره یه موضوع خیلی جالب براتون توضیح بدم که مخصوصاً اگه اهل الکترونیک و مدار باشین، احتمالاً خیلی به دلتون می‌شینه… بحث تبدیل نقشه‌های مدار آنالوگ (که معمولاً به شکل تصویر هستن) به نت‌لیست (نت‌لیست یعنی یه متن که توش دقیقاً نوشته کدوم قطعه کجا قرار داره و چطور به هم وصل شدن)!
خب، شاید بپرسید چرا اصلاً این کار مهمه؟ داستان اینه که این روزها کلی مدل هوش مصنوعی مثل همین LLMها (Large Language Model یعنی مدل‌هایی که می‌تونن متن رو بفهمن و تولید کنن، مثلاً ChatGPT خودمون!) دارن وارد دنیای طراحی مدارات مجتمع آنالوگ میشن. این مدل‌ها تو خلاصه‌سازی و درک کلیِ دانسته‌ها واقعاً قوی هستن. اما یه چالش بزرگ اینه که بیشتر مدارهای قدیمی به صورت «نقشه تصویری» در دسترس هستن، نه «نت‌لیست متنی». بنابراین، اگه بتونیم نقشه‌ها رو به نت‌لیست تبدیل کنیم، عملاً می‌تونیم کلی دانش جدید به این مدل‌های هوش مصنوعی اضافه کنیم تا تو طراحی مدار بیخیال‌تر و بهتر بشن.
حالا مشکل اینجاست که تا الان هرچی ابزار برای تبدیل خودکار نقشه به نت‌لیست ساخته شده، اکثراً توی شناسایی استایل‌های مختلف مدار یا قطعات خاص محدود بودن و واقعاً کار نمی‌کردن روی پروژ‌ه‌های سنگین یا مدارهای پیچیده! خیلی وقت‌ها رو مدارهای ساده جواب می‌دادن، اما مدارای شلوغ؟ نه بابا.
اینجا هست که این مقاله خفن وارد میشه و یه دیتاست جدید ساخته. دیتاست یعنی مجموعه‌ای از داده‌ها؛ اینجا یعنی کلی نقشه‌ی مدار با انواع سبک‌ها، هم ساده و هم خیلی پیچیده! به جز اینکه این دیتاست رو منتشر کردن (آزاد گذاشته‌ان برای همه)، یه چارچوب ترکیبی جدید معرفی کردن به نام Image2Net. این Image2Net ترکیبی کار می‌کنه، یعنی فقط به یه روش تکیه نمی‌کنه و برای شرایط مختلف انعطاف‌پذیره.
یه نکته جالب دیگه اینه که یه معیار جدید هم معرفی کردن به اسم «نت‌لیست ادیت دیستنس» یا به اختصار NED. یعنی میاد دقیقاً اندازه می‌گیره خروجی نت‌لیستی که به دست آوردن، چقدر با نسخه‌ی درستش فرق داره. خب این خیلی مهمه چون واقعاً باید بدونیم تبدیل خودکار چقدر دقیقه.
طبق بنچمارک جدیدشون (بنچمارک یعنی یه سری تست استاندارد و مقایسه)، Image2Net تونسته تو ۸۰.۷۷٪ موارد مدارها رو درست به نت‌لیست تبدیل کنه. حالا جالبیش چیه؟ این عدد بین ۳۴ تا ۴۵ درصد از روش‌های قبلی بهتره! یعنی یه پیشرفت اساسی اتفاق افتاده. تازه، میانگین NED هم فقط ۰.۱۱۶ بوده که نسبت به تکنیک‌های قبلی بین ۶۲ تا تقریباً ۷۰ درصد کاهش خطا داشته (یعنی دقیق‌تر شده)!
خلاصه، اگه دوست دارین مدارهای آنالوگ قدیمی رو به نت‌لیست متنی تبدیل کنین، با قدرت بیشتری به هوش مصنوعی غذا بدین (!) یا کلکسیون دیتاست‌هاتون رو قوی‌تر کنین، این کار تازه حسابی چیز جذابیه. مخصوصاً با این سیستم جدید و دیتاست فراگیرش. حسابی منتظر خبرای بیشتر ازش باشید!
منبع: +
