هوش مصنوعی در طراحی PCB؛ فراتر از Autorouter

اتوماسیون در طراحی PCB موضوع تازه‌ای نیست. سال‌هاست ابزارهای EDA می‌توانند بخشی از placement، routing و بررسی Design Ruleها را انجام دهند. با این حال، autorouterهای قدیمی معمولاً در پروژه‌های متراکم نتوانسته‌اند جای کار مهندس layout را بگیرند. دلیل هم فقط کیفیت الگوریتم routing نیست؛ نتیجه به placement، قوانین طراحی، stack-up، اولویت نت‌ها و محدودیت‌های مکانیکی وابسته است.

نسل جدید ابزارهای مبتنی بر AI در همین نقطه تفاوت ایجاد می‌کنند. برخی از آن‌ها فقط routing را خودکار می‌کنند، برخی placement را هم وارد فرآیند می‌کنند و محصولاتی مانند راهکارهای جدید Cadence تلاش می‌کنند این فعالیت‌ها را در کنار تحلیل‌های چندفیزیکی و مدیریت constraints در یک workflow قرار دهند. بنابراین «AI برای PCB» یک فناوری واحد نیست و ابزارهای مختلف، مسئله‌های متفاوتی را هدف گرفته‌اند.

مسئله فقط پیدا کردن مسیر نیست

در یک برد متراکم، routing نتیجه تصمیم‌هایی است که قبل از شروع routing گرفته شده‌اند.

محل قرار گرفتن یک BGA، جهت قرارگیری یک connector، فاصله میان قطعات و ارتباط آن‌ها با نواحی حساس برد، فضای موجود برای fan-out و مسیرکشی لایه‌های داخلی را تغییر می‌دهد. اگر placement نامناسب باشد، router مجبور می‌شود از مسیرهای طولانی‌تر، تغییر لایه بیشتر یا فضای routing نامطلوب استفاده کند.

به همین دلیل، یکی از تفاوت‌های مهم میان ابزارهای جدید و autorouterهای ساده‌تر، بزرگ‌تر شدن مسئله‌ای است که نرم‌افزار می‌تواند روی آن کار کند.

Cadence برای Allegro X AI قابلیت‌هایی مانند automated placement، critical-net routing و power-plane generation را معرفی کرده و می‌گوید این کارها در نمونه‌های مشخص از مقیاس زمانی چند روز به چند دقیقه کاهش یافته‌اند. این اعداد، ادعاهای Cadence درباره سناریوهای آزمایشی یا مشخص هستند و نباید به‌عنوان زمان استاندارد طراحی هر PCB تعبیر شوند.

در طرف دیگر، DeepPCB تمرکز خود را روی routing مبتنی بر reinforcement learning گذاشته است. در workflow فعلی این محصول، مهندس می‌تواند placement و نت‌های بحرانی را مشخص کند و موتور AI بخش دیگری از routing را انجام دهد. شرکت اعلام می‌کند که موتور آن با آموزش در محیط شبیه‌سازی، برای routing بردها توسعه یافته است.

این دو نمونه نشان می‌دهند که حتی در میان ابزارهای موسوم به AI PCB، یک روش واحد وجود ندارد.

Constraints بخشی از خود طراحی هستند

هیچ موتور خودکاری بدون دانستن قواعد مسئله نمی‌تواند layout قابل اتکایی تولید کند.

برای یک برد واقعی، نرم‌افزار باید بداند کدام netها حساس‌اند، کدام زوج‌ها differential هستند، چه مسیرهایی به impedance control نیاز دارند، stack-up چگونه تعریف شده، چه نواحی برای routing قابل استفاده نیستند و چه اجزایی به دلایل مکانیکی یا حرارتی موقعیت ثابتی دارند.

این موضوع در ابزارهای AI اهمیت بیشتری پیدا می‌کند، چون الگوریتم قرار است میان گزینه‌های متعدد جست‌وجو کند. اگر محدودیت‌های مسئله ناقص یا اشتباه تعریف شده باشند، سرعت بیشتر فقط باعث می‌شود گزینه‌های نامناسب سریع‌تر تولید شوند.

مستندات Quilter نیز طراحی را بر اساس اطلاعاتی مانند board file، stack-up، design rules و placement constraints پیش می‌برد. خود این شرکت توصیه می‌کند پیش از اجرای طراحی، ورودی و پارامترهای طراحی به‌درستی آماده شوند.

بنابراین استفاده مؤثر از AI الزاماً به معنی واگذاری تصمیم‌های بیشتر به نرم‌افزار نیست. در بسیاری از موارد، ابتدا باید تصمیم‌های مهندسی بیشتری به شکل دقیق و قابل پردازش تعریف شوند.

یک نمونه قابل بررسی: Project Speedrun

یکی از نمونه‌های عمومی که می‌توان جزئیات آن را بررسی کرد، Project Speedrun شرکت Quilter است.

در این پروژه، Quilter طراحی یک کامپیوتر مبتنی بر NXP i.MX 8M Mini را با دو برد، ۸۴۳ قطعه، ۵۱۴۱ پین و stack-up هشت‌لایه منتشر کرده است. این شرکت می‌گوید طراحان حرفه‌ای برای layout دستی پروژه ۴۲۸ ساعت زمان برآورد کرده‌اند و مهندسان با استفاده از Quilter حدود ۳۸.۵ ساعت کار انسانی برای تکمیل پروژه صرف کرده‌اند. Quilter همچنین اعلام می‌کند که نمونه در اولین تلاش boot شده است.

ارزش این نمونه فقط در عدد ۳۸.۵ ساعت نیست. Quilter فایل‌های پروژه را در چند مرحله منتشر کرده است: ورودی، خروجی خام موتور و نسخه نهایی cleaned-up که برای ساخت ارسال شده است. در نتیجه می‌توان خروجی AI را از نسخه‌ای که نهایتاً به سازنده داده شده جدا کرد.

همین تفکیک یک نکته مهم را روشن می‌کند: در این پروژه، «AI layout» و «final fabricated design» یک چیز نیستند. خروجی خام موتور مرحله‌ای از فرایند بوده و نسخه نهایی پس از کار مهندسی و cleanup ارسال شده است.

این مدل ارزیابی از مقایسه یک عدد تبلیغاتی مفیدتر است. اگر تیمی بخواهد چنین ابزاری را بررسی کند، می‌تواند خروجی خام، میزان اصلاح انسانی، violationها، زمان validation و نسخه نهایی را روی بردهای خودش اندازه‌گیری کند.

DRC-clean بودن پایان کار نیست

یک layout می‌تواند از نظر Design Rule Check معتبر باشد و هنوز از نظر مهندسی انتخاب مناسبی نباشد.

طول مسیر، تعداد via و درصد netهای route‌شده معیارهای قابل اندازه‌گیری‌اند، اما کیفیت PCB فقط با این شاخص‌ها تعیین نمی‌شود. در طراحی‌های حساس، signal integrity، power integrity، مسیر برگشت جریان، thermal behavior و الزامات EMC/EMI نیز وارد ارزیابی می‌شوند.

در routing مبتنی بر reinforcement learning، این مسئله حتی از نظر الگوریتمی هم مهم است. DeepPCB توضیح می‌دهد که موتور routing آن محیط شبیه‌سازی‌شده‌ای دارد که در آن وضعیت برد، netها، لایه‌ها، viaها و محدودیت‌ها بخشی از مسئله هستند و reward function می‌تواند هزینه‌هایی مانند DRC violation، طول مسیر و via را در خود داشته باشد.

در نتیجه، «کمتر کردن via» به‌تنهایی هدف مناسبی برای قضاوت درباره یک layout نیست. اگر یک via اضافی بتواند یک اتصال مناسب به reference plane ایجاد کند یا مسیر برگشت جریان را بهتر حفظ کند، حذف آن الزاماً بهبود طراحی نیست.

مسئله اصلی، انتخاب میان چند معیار مهندسی است که گاهی با یکدیگر تعارض دارند.

ارزش اقتصادی AI در تعداد iterationهاست

کاهش زمان routing یک مزیت مستقیم است، اما اثر مهم‌تر ممکن است جای دیگری دیده شود.

وقتی تولید و اصلاح یک layout زمان زیادی می‌برد، تعداد نسخه‌هایی که تیم می‌تواند قبل از fabrication بررسی کند محدود می‌شود. هر تغییر در placement یا stack-up هزینه زمانی دارد و همین هزینه باعث می‌شود برخی گزینه‌ها اصلاً آزمایش نشوند.

اگر یک ابزار بتواند بخش بزرگی از این کار را سریع‌تر انجام دهد، تیم می‌تواند قبل از ارسال فایل به سازنده گزینه‌های بیشتری را بررسی کند. مثلاً چند placement مختلف، یک stack-up جایگزین یا تغییر در نحوه routing بخش‌هایی از برد.

این همان چیزی است که برخی سازندگان ابزار AI مستقیماً روی آن تأکید می‌کنند. DeepPCB محصول خود را با کاهش زمان routing و افزایش تعداد iterationهای ممکن معرفی می‌کند؛ Quilter نیز Project Speedrun را به‌عنوان نمونه‌ای از فشرده شدن چرخه طراحی از مقیاس ماه‌ها به هفته‌ها ارائه کرده است. این‌ها ادعاهای شرکت‌های سازنده‌اند، اما منطق اقتصادی پشت آن‌ها قابل آزمون است: زمان کمتر برای layout می‌تواند زمان بیشتری برای بررسی گزینه‌های طراحی ایجاد کند.

برای یک تیم سخت‌افزاری، این معیار از «چند درصد سریع‌تر route می‌کند؟» کاربردی‌تر است. سؤال این است که با استفاده از ابزار، چند iteration واقعی بیشتر می‌توان انجام داد و آیا این iterationها به تصمیم مهندسی بهتری منجر می‌شوند یا نه.

از ابزار layout به workflow مهندسی

توسعه اخیر Cadence نشان می‌دهد که جهت حرکت فقط خودکار کردن یک task منفرد نیست. Cadence در ژوئیه ۲۰۲۶، AuraStack AI Super Agent را برای PCB و advanced packaging معرفی کرد. این پلتفرم قرار است planning، constraints management، physical design، place and route و تحلیل‌های چندفیزیکی مانند SI/PI، thermal و mechanical را در یک workflow agentic هماهنگ کند.

این محصول هنوز یک دلیل برای اعلام پایان کار مهندس PCB نیست. برعکس، هرچه دامنه کار خودکار گسترده‌تر شود، مسئله تعریف design intent و بررسی نتیجه اهمیت بیشتری پیدا می‌کند.

در چنین محیطی، مهندس فقط با یک layout نهایی روبه‌رو نیست. می‌تواند با مجموعه‌ای از گزینه‌ها، constraints و نتایج شبیه‌سازی کار کند و تصمیم بگیرد کدام گزینه ارزش ادامه دادن دارد.

این تغییر احتمالاً مهم‌تر از خودکار شدن یک مرحله از routing است.

نقش مهندس چه می‌شود؟

AI بخشی از کارهای تکراری layout را قابل واگذاری می‌کند، اما تصمیم‌های مهندسی از بین نمی‌روند. آن‌ها بیشتر در نقاطی متمرکز می‌شوند که تعریف مسئله، انتخاب trade-off و اعتبارسنجی نتیجه لازم است.

مهندس باید مشخص کند چه چیزی را می‌توان خودکار کرد، چه netهایی نباید به موتور واگذار شوند، چه constraintsهایی باید اعمال شوند و خروجی بر اساس چه معیارهایی پذیرفته شود. سپس باید نتیجه را در برابر الزامات الکتریکی، مکانیکی، حرارتی و تولیدی بررسی کند.

این با تصویر «AI جایگزین PCB designer می‌شود» تفاوت دارد. در ابزارهای فعلی، حتی محصولی مانند DeepPCB که routing را به‌صورت گسترده خودکار می‌کند، workflow خود را با مرحله review و sign-off مهندس به پایان می‌رساند.

برای همین، ورود AI به PCB را بهتر است به‌عنوان تغییر در تقسیم کار میان مهندس و نرم‌افزار دید.

نرم‌افزار می‌تواند فضای بزرگ‌تری از گزینه‌های layout را جست‌وجو کند و کارهای تکراری را سریع‌تر انجام دهد. مهندس همچنان مسئول تعریف مسئله، انتخاب محدودیت‌ها و قضاوت درباره نتیجه است.

برای سنجش واقعی این فناوری نیز لازم نیست به benchmarkهای تبلیغاتی اکتفا کرد. یک تیم می‌تواند AI را روی یکی از بردهای خودش آزمایش کند و زمان placement و routing، میزان cleanup، تعداد revisionها، نتایج SI/PI، تعداد respinها و زمان رسیدن به نمونه قابل آزمایش را قبل و بعد از استفاده مقایسه کند.

آن مقایسه مشخص می‌کند که AI در آن workflow واقعاً چه مقدار از کار را بهتر، سریع‌تر یا ارزان‌تر کرده است.