arXiv:2606.17074v1 cs.AR

인쇄 회로 기판 설계 및 테스트에서의 생성형 인공지능(GenAI) 기반 자동화 조사

Surveying GenAI-based Automation in Printed Circuit Board Design and Test

Sahana Srinivasan, Benjamin Turnbull, Hammond Pearce

제출 2026-06-10

한국어 초록

생성형 인공지능(GenAI)은 하드웨어 및 소프트웨어 영역의 응용 분야에서 점차 더 많이 사용되고 있습니다. 이는 출시 전 복잡한 시스템의 개발 및 테스트에 수반되는 수작업을 줄이는 것을 목표로 합니다. 하드웨어 영역 내에서 대부분의 작업은 집적 회로의 설계 자동화, 특히 하드웨어 기술 언어를 활용하는 데 집중되어 있습니다. 그러나 다른 유형의 하드웨어도 존재합니다! 본 조사에서는 대신 인쇄 회로 기판(PCB) 설계 수명 주기 전반에 걸쳐 GenAI가 어떻게 활용되어 왔고 현재 활용되고 있는지 살펴봅니다. 여기에는 공급망, 시스템 사양, 회로 설계, 레이아웃 및 최적화, 검증(validation) 및 테스트, 그리고 PCB 조립 및 배포가 포함됩니다. 이러한 관점을 통해 발견된 연구들의 분류 체계(taxonomy)를 제시하며, 이를 의도와 기여도에 따라 분류합니다. 본 조사는 또한 이 영역에서 GenAI가 직면한 주요 기술적 과제, 예를 들어 도메인 특화 데이터 부족 및 기존 PCB 도구와의 통합에 대한 제한된 지원 등을 식별합니다. 마지막으로 미래 연구 방향에 대해 논의합니다: 본 조사 결과, PCB 설계 및 테스트의 다양한 작업에 GenAI를 통합하는 방안을 고려할 때 여전히 많은 기회가 남아 있음을 확인하였습니다.

원문 초록

Generative artificial intelligence (GenAI) is increasingly used for applications in the hardware and software domains. It purports to reduce the manual effort involved in the development and testing of complex systems before release. Within the hardware space, most tasks have focused on design automation of integrated circuits, particularly with hardware description languages. However, other types of hardware also exist! In this survey, we instead examine how GenAI has been and is being across the printed circuit board (PCB) design life cycle. This includes everything from supply chains, system specification, circuit design, layout and optimisation, validation and test, and PCB assembly and distribution. Through this lens we present a taxonomy of discovered works, categorising them according to their intent and contributions. This survey also identifies key technical challenges that GenAI faces in this space, such as domain-specific data scarcity and limited support for integration with existing PCB tools. Finally, future research directions are discussed: our survey shows that there are many opportunities remaining when considering how GenAI may be integrated into various tasks in PCB design and test.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.17074v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.14301v1cs.AI공통 태그 Survey, generative ai

학술 글쓰기에서 학생의 생성형 AI 의존 방식 측정: 생성형 AI 의존 유형 척도(GenAI-RTS)의 개발 및 다중 출처 검증

Measuring How Students Rely on Generative AI in Academic Writing: Development and Multi-Source Validation of the Generative AI Reliance Types Scale (GenAI-RTS)

생성형 AI(GenAI)가 학부생 학술 글쓰기에 점점 더 깊이 통합됨에 따라, 학생들이 이러한 도구를 단순히 사용하는지 여부가 아니라 어떻게 의존하는지가 학습, 학문적 정직성, 교육적 형평성에 대한 핵심 질문이 되었다. 기존 의존 측정 도구는 귀납적으로 개발되었고, 개별적 문제 해결 과제에 초점을 맞추었으며, 주로 동질적 표본으로 검증되었다. 본 연구는 생성형 AI 의존 유형 척도(GenAI-RTS)를 개발하고 검증하였다. 이는 전략적, 도구적, 의존적, 대화적이라는 이론적으로 도출된 4가지 GenAI 의존 유형을 측정하는 20문항 도구이다. 검증은 교육 및 심리 검사 표준(Standards for Educational and Psychological Testing)의 다중 출처 프레임워크를 따랐으며, 미국 소수자 대학(U.S. Minority-Serving Institution) 학부생 382명의 설문조사와 목적 표집(purposively sampled)된 14명 학생의 면담에 기반하였다. 6개 경쟁 모델에 대한 확인적 요인 분석(confirmatory factor analysis) 결과, 전략적 의존이 의도적 사용(Deliberate Use)과 비판적 평가(Critical Evaluation)라는 두 하위 요인으로 구성되는 5요인 구조를 지지하였고, 도구적·의존적·대화적 요인이 함께 포함되었다(CFI = .92, RMSEA = .08; DWLS CFI = .98, RMSEA = .07). 하위척도 신뢰도는 수용 가능에서 양호하였으며(omega = .75-.88), 성별, 1세대(first-generation) 지위, STEM/비STEM 전공에 걸친 스칼라 측정 불변성(scalar measurement invariance)이 유지되었다는 것은, 우리가 아는 한 GenAI 의존 도구에 대한 최초의 증거이다. Rasch 분석(Rasch analysis) 결과 5점 응답 형식이 범주 기능(category functioning)을 개선할 것으로 나타났다. 전략적 의존은 AI 리터러시와 정(+)의 상관이 있었고, 의존 유형은 여러 글쓰기 과정 및 결과 변수에서 학생들을 구별하였다. GenAI-RTS는 연구자와 교육자에게 학부생 의존 프로필을 식별하고 연구, 평가, AI 리터러시 개입을 지원하기 위한 이론적으로 정당화된, 심리측정학적으로 검증된 도구를 제공한다.

arXiv:2607.12296v1cs.CY공통 태그 Survey, generative ai

고등교육 내 기관 및 강좌 수준 생성형 AI 정책의 비교 분석: 컴퓨팅 교육 지도에 대한 시사점

A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education

ChatGPT와 같은 생성형 AI(GenAI) 애플리케이션의 사용이 증가하면서, 고등교육 기관(HEI)들은 기관 내 도입을 안내하기 위해 다양한 가이드라인과 정책을 발표해 왔다. 컴퓨터 과학(CS) 강좌에서 GenAI 도입은 특히 높으며, 학생 학습에 미치는 영향도 크다. 동시에 학생들이 다양한 용도로 GenAI를 사용하기 시작하면서 강사들도 그 사용을 다루도록 요구받고 있다. 현재 기관이 제공하는 지침과 강의 현장에서의 수용에 대한 비교 분석은 부족한 상태다. 본 논문에서는 이 공백을 메우기 위해 기관 수준과 컴퓨팅 강좌 수준의 지침을 비교하여 이러한 영역을 더 잘 이해하고자 한다. 미국 내 연구 중심 대학으로 분류되는 고등교육 기관의 기관 및 강좌 실라버스 지침에 대한 이차 분석을 활용한다. 분석 결과, 기관 수준 지침은 사용을 더 적극 권장하는 편이지만, 강좌 수준에서는 여전히 신중하게 수용되고 있음을 보여준다. 시사점을 논의하고, 향후 GenAI 도입을 안내하기 위한 강사 중심 프레임워크를 제안한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.