Эксперимент с ИИ: как нейросети справляются с задачами СВЧ-моделирования
Habr AI · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.
Инженер-радиочастотник описывает опыт использования ChatGPT для автоматизации задач в MathCad, AWR DE и CST. Нейросеть успешно генерировала макросы и отчеты, однако результаты моделирования показали расхождения с оригинальными научными данными.
Материал демонстрирует реальные возможности и ограничения LLM в узкой инженерной нише, что важно для оценки потенциала автоматизации R&D-процессов.
В профессиональном сообществе разработчиков высокочастотных устройств вопрос интеграции искусственного интеллекта в рабочий процесс остается дискуссионным. Олеся, ведущая блог о разработке СВЧ-устройств под ником Leka_engineer, отмечает, что лично не использует ИИ из-за отсутствия необходимости, однако признает его развитие объективным фактом. Она приводит пример, когда столкнулась с техническим заданием, сгенерированным нейросетью, которое содержало избыточное количество деталей, невозможных для этапа согласования. Для объективности она публикует опыт своей коллеги RenginLM, которая специализируется на научной стороне разработки и имеет платную подписку на ChatGPT. Важно подчеркнуть, что данный эксперимент носит ознакомительный характер и не претендует на статус научного открытия или разоблачения.
Первый тест был проведен в среде MathCad. Коллега загрузила PDF-файл статьи с формулами и попросила создать файл проекта. ИИ успешно справился с задачей без ошибок, выдав результат в формате mcd. Более того, нейросеть самостоятельно предложила усложнить некоторые формулы, чтобы устранить допущения и сделать модель более реалистичной. По словам автора, это дополнение оказалось верным: предложенная модель лучше коррелировала с реальными измерениями, чем исходный вариант.
Следующим этапом стала работа в AWR DE. Задача состояла в создании делителя мощности по техническому заданию из файла doc. Поскольку захват экрана не удался, ИИ предоставил результат в виде макросов для самостоятельного запуска. Процесс оказался нелинейным: AWR выдавал ошибки, но после их указания нейросеть скорректировала код. В итоге макросы были успешно запущены, и схема делителя была получена.
Значительно более сложным оказался тест с программой CST. В режиме работы с агентом (на удаленных серверах) ИИ загрузил статью в PDF и построил описанную структуру вместе с необходимыми графиками. Однако при работе локально на ПК возникли нюансы. ИИ самостоятельно нашел открытую научную статью 2024 года об ультраширокополосной антенне для WiFi, 5G и IoT (Pandey et al., Sci Rep). На основе этого документа нейросеть построила модель в CST, сгенерировала трехмерную диаграмму направленности и график коэффициента отражения.
Итогом работы стал автоматический отчет, содержащий чертежи, таблицы и выводы. В свойствах файла было указано, что документ сгенерирован ИИ, хотя эта метка исчезла после сохранения на компьютер. При проверке параметров модели, материалов и настроек решателя вручную было подтверждено, что ИИ выполнил их корректно. Тем не менее, графики показали расхождение результатов с данными оригинальной статьи. Автор отмечает, что нейросеть сама предложила в отчете возможные причины этого: различия в типе солвера, версии программного обеспечения или сетке разбиения (mesh). Эксперимент показывает, что ИИ способен выполнять рутинные этапы моделирования и подготовки документации, но требует внимательной верификации результатов инженером.