AIは基板設計をどこまで引き受けるのか――自動配線から物理制約、検証まで

回路設計にAIを活用する取り組みが、研究、EDAベンダー、設計サービス、個人開発の各方面で相次いでいます。高周波電力回路の探索、設計ツールを呼び出して検証と再実行を繰り返すエージェント、基板と先端パッケージをつなぐ製品構想、843部品の基板2枚によるLinuxコンピューターの試作です。AIが触れる工程は、自動配線の外側へ伸びています。EE Times Japanの報道 TECH+の報道 Cadenceの発表 ラボ内のQuilter事例

この広がりの背景には、基板の高密度化と高速化にともない、信号、電源、熱、製造性の条件を同時に扱う必要があることがあります。回路図や部品表だけでなく、基板外形、フットプリント、ネットリスト、解析結果まで往復する設計では、候補を試して検証し、結果を戻す反復が増えます。既存EDAの入力を受け取り、部品候補の探索や配置・配線、解析をつなぐ仕組みが整い始めたことが、活用範囲を押し広げています。Quilterの導入手順 PCB-Bench 基板設計自動化のサーベイ Siemensの報道

問うべきなのは、AIが基板を描けるかという一点ではなく、どの工程を、どの入力と制約のもとで、どの検証まで引き受けられるのかです。設計者が決める制約と合格条件、製造へ渡す最終判断は、別の場所に残っています。

配線の自動化から、設計工程の分解へ

千葉大学と東京理科大学の研究では、機械学習とマルチフィジックス解析、多目的最適化を組み合わせ、高周波電力回路の設計を自動化する試みが報告されました。1kW・1MHz級のLLCコンバーターを対象に、電気特性と部品サイズを同時に扱う探索です。EE Times Japanの報道

効率を96.1%まで高める条件と、磁性部品の体積を約41%減らす条件が示されています。実用化の目標時期は研究側の見通しとして読む必要があります。EE Times Japanの報道

Siemens EDAが説明するAIエージェントは、設計ツールを呼び出し、結果を検証し、必要なら修正して再実行する流れを想定しています。Siemens自身は、人間がアーキテクチャと意図を決め、エージェントが反復作業を担う役割分担を示しています。TECH+の報道

CadenceのAuraStack AI Super Agentは、基板と先端パッケージを一つの対象として、計画、制約、構造、配置配線、製造性、信号・電源・熱・機械の解析をつなぐ構想です。Cadenceは市場投入までの時間を最大2分の1、生産性を最大15倍にできると説明しています。これは企業発表に基づく数字と機能説明で、独立ベンチマークの結果とは分けて扱うべきです。Cadenceの発表

Siemensは中小企業向けのPADS Pro EssentialsとXpedition Standardでも、回路図、レイアウト、クラウド、AIによる自動化をまとめようとしています。大規模な先端パッケージだけでなく、普段使うEDAの入口へAIを置く動きです。Siemensの発表

ここで共通するのは、AIを線引き専用の機能として置かず、回路や制約の読み込みから解析の反復まで、設計工程の一部へ接続している点です。

速くなったという数字は、条件の中にある

Quilterは、843部品を使うデュアル基板のLinuxコンピューターを約1週間で設計し、初回起動まで到達したと報告しました。ラボ内のQuilter事例

人手の作業時間は38.5時間、比較対象として見積もった従来作業は428時間だったという説明です。ラボ内のQuilter事例

配線率は約98%、DRCエラーはゼロだったとされます。記事には人による仕上げが必要だったこと、規模が約1万ピンで高周波領域には限界があることも記されています。この実例は大きな成果ですが、基板設計全体への適用率は、この報告からは出せません。ラボ内のQuilter事例

Los Alamos National Laboratoryの報告書をもとにしたCircuit Mindの評価では、中程度の課題で手作業の60〜80時間という結果が示されています。ラボ内のCircuit Mind評価

AI側は4時間13分で作業を終えたとされます。ラボ内のCircuit Mind評価

その課題での完成度は90%でした。評価対象とプラットフォームが限られているため、この数値は個別評価の結果として読む必要があります。ラボ内のCircuit Mind評価

難しい課題では手作業約80時間に対し完成度50%で、未対応部品や手動配線も残りました。評価対象とプラットフォームが限られているため、この数値は個別評価の結果として読む必要があります。ラボ内のCircuit Mind評価

Fluxの資金調達発表は、AI Hardware Engineerの開発に3,700万ドルを調達したという事業側の材料です。Fluxの自動レイアウト説明では、収束を最大4倍にし、配線やビアを改善するとされています。高速インターフェース、長さ合わせ、電源ネット、層予約、重要な差動ペアなどは、利用者が扱う領域として残されています。Fluxの資金調達発表 Fluxの自動レイアウト説明

時間の数字を比べるときは、部品数、ピン数、周波数、入力データ、前置きされた配置、手作業の仕上げ、検証の深さをそろえる必要があります。速さは重要ですが、同じ課題を同じ条件で測らない限り、優劣ではなく適用範囲の記録です。

AIに渡す前に、人間が準備するもの

Quilterのクイックスタートは、レイアウトを扱うために、完成した回路図、基板外形、フットプリント、ネットリストが必要だと説明しています。Altium、KiCad、Allegro、Xpeditionに対応し、位置が重要な部品は事前に置くよう求めています。人間が定義した入力と制約の上でAIが探索する実装です。Quilterの導入手順

Circuit Mindは、アーキテクチャから回路図と部品表を作り、コスト、サイズ、電力、入手性を最適化するAI電子設計自動化を掲げています。電力、FMEA、ディレーティング、ICDのレポートも挙げていますが、これはサービス提供側の機能説明です。Circuit Mind

研究側でも、回路図生成を意味に根ざしたコード表現で扱うSchGenや、回路図画像からSPICEネットリストを自動生成するデータセットと手法のPCBnetが提案されています。入力を読み取って構造化する層が整えば、設計支援の入口は広がりますが、読み取れた回路が製造可能な基板になるまでには、配置、配線、検証という別の問題が残ります。SchGen PCBnet

何をもって「設計できた」とするのか

PCB-Benchは、基板設計を言語だけの課題にせず、専門家が注釈した約3,700件のテキスト課題、約500件のマルチモーダル課題、170件超の完成基板プロジェクトで評価するベンチマークです。報告は、空間関係、制約、専門的な成果物の扱いにまだ大きな差があるとしています。これは、文章で正しい説明をする能力と、配置・制約・ファイルを満たす成果物を作る能力を分けて測る必要があるという指摘です。PCB-Bench

生成AIによる基板設計を概観するサーベイも、データ不足、物理制約、既存ツールとの統合を主要な課題として整理しています。基板の合否は見た目ではなく、電気的・熱的・機械的な条件を同時に満たせるかで決まります。基板設計自動化のサーベイ

私の見立て

私は、AIによる基板設計の現在地を「自動配線の高性能化」だけで測るのは狭すぎると思います。実際には、回路の候補を作る、部品を選ぶ、配置を提案する、配線を反復する、物理解析を回す、部品表と調達条件を照合するという工程が、少しずつ一つのループへ寄っています。

熟練者の置き換えを判断するには、別の証拠が要ります。入力を整える人、制約を決める人、重要ネットを判断する人、シミュレーション結果を受けて設計を戻す人、製造前に成果物を承認する人が残るからです。AIが引き受ける範囲は広がっていますが、責任の境界は人間側に残っています。