EDA Competition Award: 1. Preis des IEEE CEDA für Ilmenauer Nachwuchswissenschaftler

Julian Kuners, Student der Ingenieurinformatik an der TU Ilmenau und studentischer Mitarbeiter am IMMS, präsentierte der Jury aus Vertretern von Cadence Design Systems GmbH Germany, Dialog Semiconductor Germany, Infineon Technologies Germany, Gebze Technical University Turkey und der Universität Reutlingen den Beitrag „Trash or Treasure? Machine-learning based PCB layout anomaly detection with AnoPCB”. Das Software-Projekt wurde an der TU Ilmenau von Dr. Marco Seeland und Professor Patrick Mäder am Fachgebiet Daten-intensive Systeme und Visualisierung der Fakultät für Informatik und Automatisierung sowie am IMMS betreut. Die Arbeit baut auf Lösungen auf, die in der Thüringer Forschergruppe "IntelligEnt - Künstliche Intelligenz und Machine Learning für den Entwurf und die Verifikation komplexer Systeme" für das Layout von Mikroelektronik-Chips entwickelt wurde. „Beim Layout von Analog-/Mixed-Signal-Schaltungen entwirft man den Bauplan für den Chiphersteller. Formal korrekte Layouts können aber Unstimmigkeiten enthalten, wie zum Beispiel Substratkopplung und Mismatch“, erklärt Georg Gläser vom IMMS, Spezialist für die Integration von KI-Methoden in die Entwurfsautomation und Leiter der Forschergruppe.

Design-Erfahrung von Ingenieuren spiele vor allem beim geometrischen Entwurf von Schaltungen eine große Rolle und diese letzten Schritte auf dem Weg zur Fertigung erforderten Wissen darüber, welche Leitungen besonders empfindliche oder stark störende Signale führen und wie diese behandelt werden müssen, so Gläser weiter. „Wir haben deshalb in der Forschergruppe ein KI-basiertes Anomalie-Erkennungsverfahren entwickelt, mit dem nicht-erprobte und potenziell fehlerhafte Stellen in Layouts detektiert werden können.“ Wichtig seien dabei die Lösungen für eine flexible Datenrepräsentation, denn damit ließen sich Layoutdaten sowohl für Chips als auch für Leiterplatten verarbeiten – und um letztere gehe es im prämierten Beitrag.

„Julian Kuners, Henning Franke und Paul Kucera haben dann als studentische Mitarbeiter am IMMS das Software-Projekt weiterentwickelt. Sie haben unserem lernenden Anomalie-Erkennungsverfahren als Plugin für das freie PCB-Entwurfswerkzeug KiCad den letzten Schliff gegeben. Damit können unsere Ansätze viel breiter angewendet werden“, so die Einschätzung von Gläser. Mit dem Plugin lassen sich KiCad-Signale in Kategorien einteilen und an den Trainings- bzw. Evaluationsprozess übergeben.

Lösung, die auch im praktischen Einsatz genutzt werden kann

Das System wurde so entworfen, dass die Entwurfsdaten beim Benutzer für das Verfahren vorbereitet und dann an einen zentralen Server zur Verarbeitung übermittelt werden. So wird einerseits ein gegebenenfalls notwendiger Grafikprozessor nur im Server benötigt und andererseits können die Entwürfe mehrerer Benutzer kombiniert werden. Die Jury bewertete die Lösungen der Kandidaten unter anderem anhand von Komplexität, Automatisierungsgrad, Designer-Schnittstelle, Anwendbarkeit, Integrationsgrad mit verfügbaren Entwurfswerkzeugen und Robustheit: „Das vorgestellte Tool überzeugte die Jury durch die Komplexität des gestellten Problems, das unserer Einschätzung nach gut gelöst wurde. Das Tool ist benutzerfreundlich und wir sehen es nicht nur als akademische Lösung an, sondern als eine Lösung, die auch im praktischen Einsatz von PCB-Designern genutzt werden kann. Das Tool hat ein erhebliches Potential und wir sind interessiert, wie es weitergeht“, sagt Jury-Mitglied Anton Klotz der Cadence Design Systems GmbH.

Auszeichnung unterstreicht hohes Ausbildungsniveau an der TU Ilmenau

Auch Betreuuer Marco Seeland vom Fachgebiet Daten-intensive Systeme und Visualisierung der TU Ilmenau ist begeistert: "Das Projekt zeigt eindrucksvoll, wie die von uns entwickelten KI-Methoden in praktische Anwendungen integriert werden können. Dass der prämierte Beitrag aus einem Projekt unserer Studierenden hervorgegangen ist, unterstreicht gleichzeitig das hohe Ausbildungsniveau an der TU Ilmenau und die enorme praktische Relevanz der vermittelten Fähigkeiten."

Auch Julian Kuners und seine Kollegen hat der Preis motiviert, am Projekt weiterzuarbeiten: „Fürs erste Training haben wir quelloffene Entwürfe wie Crazyflie und HackRF genutzt und dort dann Fehlerstellen eingebaut. Mit unserem Plugin zur Anomalie-Erkennung konnten wir diese Stellen schnell und korrekt ausfindig machen“, erklärt Julian Kuners. „Das spornt uns natürlich an – und der Preis sowieso. Den Anlass möchten wir gerne nutzen und Entwickler aufrufen, mit dem Plugin zu arbeiten. Je mehr Trainingsdaten es gibt, desto mehr können wir es ausbauen und verbessern.“ Dafür soll das Plugin in naher Zukunft bereitgestellt werden.