মিশিগান বিশ্ববিদ্যালয়ের একটি প্রিপ্রিন্টে হার্ডওয়্যার ডেটাশিটকে অনুসন্ধানযোগ্য জ্ঞান-গ্রাফে রূপান্তরের পদ্ধতি বর্ণনা করা হয়েছে, যেখানে প্রতিটি নিষ্কাশিত বৈশিষ্ট্য তার উৎসের সঙ্গে যুক্ত থাকে। ২০টি ডেটাশিটে লেখকেরা জানান, তাঁদের গ্রাফের 98.8% বৈশিষ্ট্য উদ্ধৃত উৎসাংশে সমর্থিত ছিল; এক ধাপের পদ্ধতিতে এই হার 76.1%। ফলটি লেখকদের মূল্যায়নে নিষ্কাশনের গুণমান নিয়ে। কোনো গ্রাফ থেকে বাছাই করা উপাদান সম্পূর্ণ নকশায় কাজ করবে—এটি তা দেখায় না।

বড় পরিবর্তন

  • কী বদলেছে: গবেষকেরা পুরো গ্রাফ এক উত্তরে তৈরি করতে মডেলকে বলার বদলে ডেটাশিট প্রক্রিয়াকরণকে সীমাবদ্ধ নিষ্কাশন, গ্রাফে স্থাপন এবং বারবার পরিষ্কারের ধাপে ভাগ করেছেন।
  • কেন গুরুত্বপূর্ণ: কোনো উপাদানের সীমা খোঁজা প্রকৌশলীর মান, কার্যকরী শর্ত এবং ডেটাশিটে ফেরার পথ দরকার। এই তুলনায় পর্যায়ভিত্তিক পদ্ধতিতে উৎসসমর্থিত বৈশিষ্ট্য অনেক বেশি বজায় ছিল।
  • কী দেখবেন: প্রতিবেদিত স্কোর ২০টি নথি থেকে এসেছে এবং একটি এক-ধাপের ভিত্তি-পদ্ধতির সঙ্গে তুলনা করা হয়েছে। স্বাধীন পুনরাবৃত্তি এবং বাস্তব উপাদান নির্বাচন বা যাচাইয়ের কাজে পরীক্ষা এখনও বাকি।

পাইপলাইন প্রতিটি বৈশিষ্ট্যকে উৎসের সঙ্গে যুক্ত রাখে

ডেটাশিটে গদ্য ও সারণি জুড়ে বৈশিষ্ট্য ছড়ানো থাকে। ভোল্টেজের পরিসর ডিভাইসের সংস্করণ বা কার্যপ্রণালির ওপর নির্ভর করতে পারে; তাই আলাদা একটি সংখ্যা প্রকৌশলীর প্রশ্নের পূর্ণ উত্তর নয়। লেখকদের পদ্ধতিতে প্রথমে PDF ডেটাশিট Markdown-এ রূপান্তর করা হয়, সারণির কাঠামো রাখা হয় এবং লেখা খণ্ডে ভাগ করা হয়। প্রতিটি সারণি অক্ষত রাখা হয় যাতে শিরোনাম ও একক সংশ্লিষ্ট ঘরের সঙ্গে থাকে। চিত্র ইনপুটে নেই—যেসব নথিতে চিত্রে বৈশিষ্ট্য দেখানো হয়, সেখানে এটি গুরুত্বপূর্ণ সীমা।

মডেল প্রতিটি খণ্ড থেকে পাওয়া বৈশিষ্ট্যের নাম, বর্ণনা, মান বা পরিসর এবং একক বের করে। উৎসে শর্ত, বিন্যাস ও ডিভাইস সংস্করণ থাকলে বর্ণনায় তা থাকে। প্রতিটি বৈশিষ্ট্যের সঙ্গে তার উৎস-খণ্ড যুক্ত থাকে। দ্বিতীয় ধাপে গ্রাফের কার্যকরী ব্লকের অধীনে বৈশিষ্ট্য বসানো হয়। যেমন UART baud rate-এর বৈশিষ্ট্য UART ব্লকে থাকবে; একাধিক পেরিফেরালে ভাগ করা বৈশিষ্ট্য স্তরবিন্যাসে আরও ওপরে থাকবে। প্রাথমিক category template-এ ব্লক না থাকলে মডেল নতুন ব্লকের প্রস্তাব দিতে পারে।

সিস্টেম মডেলকে স্থান নির্ধারণ ও সম্পাদনার স্পষ্ট নির্দেশ দিতে বলে। স্থানীয় সফটওয়্যার নির্দেশগুলো যাচাই করে সংরক্ষিত বৈশিষ্ট্যে প্রয়োগ করে; মডেলকে পুরো গ্রাফ ও মান আবার বানাতে হয় না। পরবর্তী ধাপগুলো একই বৈশিষ্ট্যের পুনরাবৃত্তি একত্র করে, একই নামের বৈশিষ্ট্য আলাদা করে এবং আরও উপযুক্ত ব্লক তৈরির আগেই বসানো বৈশিষ্ট্য আবার দেখে। এই পৃথকীকরণ ভুল মান বা স্থানকে উৎস-খণ্ড ও প্রক্রিয়াকরণ ধাপে খুঁজে পাওয়া সহজ করে। এতে মডেলের অর্থগত সিদ্ধান্ত ভুলহীন হয় না।

তথ্য খোঁজার সময় সিস্টেম প্রাসঙ্গিক কার্যকরী ব্লক শনাক্ত করে তাদের বৈশিষ্ট্য এবং অভিভাবক ব্লক থেকে প্রযোজ্য উত্তরাধিকারসূত্রে পাওয়া বৈশিষ্ট্য দেখতে পারে। গ্রাফে অনুসন্ধান সীমিত করার এটি নথিভুক্ত নকশা। প্রকৌশল দ্রুত হয়েছে বা সামঞ্জস্যজনিত ব্যর্থতা কমেছে—এমন মাঠপর্যায়ের পরীক্ষা নিবন্ধে নেই।

তুলনায় কী মাপা হয়েছিল

লেখকেরা GPT-5.4, temperature 0.2 ব্যবহার করে ২০টি ডেটাশিটে দুই পদ্ধতি চালান: সাতটি সেন্সর, পাঁচটি প্রসেসিং উপাদান, পাঁচটি পাওয়ার মডিউল ও তিনটি যোগাযোগ উপাদান। নথিগুলো মোট 1,040 পৃষ্ঠা। এক-ধাপের ভিত্তি-পদ্ধতি পর্যায়ভিত্তিক সিস্টেমের মতোই parsed Markdown পেয়েছিল এবং এক প্রশ্নেই পুরো গ্রাফ নিষ্কাশন, পুনরাবৃত্তি বাদ ও বিন্যস্ত করতে হয়েছিল। ফলে এই তুলনায় কোনো পদ্ধতির ইনপুটেই চিত্রের বিষয়বস্তু ছিল না।

98.8% এবং 76.1% মাপে বৈশিষ্ট্যের বিশ্বস্ততা: নিষ্কাশিত বৈশিষ্ট্যের সঙ্গে যুক্ত অংশটি সেটিকে সমর্থন করে কি না। অর্থগত সমর্থন LLM বিচার করেছে; ভিত্তি-পদ্ধতির দাবি করা সূত্রকেও ইনপুট পাঠ্যের সঙ্গে মিলতে হয়েছে। এরপর গবেষকেরা তুলনা করেন, এক গ্রাফের বিশ্বস্ত তথ্যের কতটা অন্য গ্রাফ থেকে উদ্ধার করা যায়। পর্যায়ভিত্তিক গ্রাফ ভিত্তি-পদ্ধতির বিশ্বস্ত, স্বাভাবিকীকৃত বৈশিষ্ট্যের 83.6% সম্পূর্ণভাবে অন্তর্ভুক্ত করেছে। উল্টো দিকে ভিত্তি-পদ্ধতি পর্যায়ভিত্তিক গ্রাফের 10.5% বৈশিষ্ট্য সম্পূর্ণভাবে অন্তর্ভুক্ত করেছে।

এগুলো দুই দিকের আপেক্ষিক coverage score; মূল ডেটাশিটের সব বৈশিষ্ট্যের শতাংশ নয়। পূর্ণ ground-truth তালিকা ছিল না। প্রতিটি গ্রাফ কীভাবে বৈশিষ্ট্য ভাগ করেছে সেই পার্থক্য কমাতে লেখকেরা বৈশিষ্ট্য স্বাভাবিকীকরণ করে মডেলকে পূর্ণ, আংশিক বা অনুপস্থিত coverage বিচার করতে বলেন। হাতে করা যাচাইয়ে নমুনার ২০০টি স্বাভাবিকীকরণ নির্দেশের ১৮৬টি নির্ধারিত নিয়ম মেনেছে; আটটি মানেনি এবং ছয়টি অস্পষ্ট ছিল। এই ভুলগুলো মোট coverage-এ প্রভাব ফেলতে পারে।

প্রক্রিয়াকরণের খরচও আছে। নিবন্ধে বলা হয়েছে, ৮০০টির বেশি বৈশিষ্ট্য থাকা Analog Devices সেন্সরের গ্রাফ পরিমার্জনের একটি ধাপে মডেল প্রশ্ন ও API বিলম্বের কারণে প্রায় ১৭ মিনিট লেগেছিল। আপস হিসেবে লেখকেরা তিনটি ধাপ বেছে নেন। নিবন্ধে প্রতি ডেটাশিটের সাধারণ খরচ দেওয়া হয়নি এবং উৎপাদনমাত্রায় পদ্ধতিটি সাশ্রয়ী কি না তাও দেখানো হয়নি।

প্রকৌশলে ব্যবহার এখনও পরীক্ষা করা বাকি

পরীক্ষায় নিষ্কাশিত জ্ঞান মাপা হয়েছে, উপাদান নির্বাচনের সিদ্ধান্ত নয়। লেখকদের পরীক্ষায় ঘন নথিকে অনুসরণযোগ্য নিষ্কাশন ও গ্রাফ-সম্পাদনার ধাপে ভাগ করলে তাঁদের এক-ধাপের ভিত্তি-পদ্ধতির চেয়ে বেশি উৎসসমর্থিত তথ্য পাওয়া যায়। প্রকৌশলী এমন গ্রাফ দিয়ে সম্ভাব্য সীমা খুঁজে সংযুক্ত মূল অংশ দেখতে পারেন। উপাদান বাছার আগে মূল ডেটাশিট ও প্রযোজ্য শর্ত মানুষকে যাচাই করতেই হবে, বিশেষত পাইপলাইনে না-ঢোকানো চিত্রে তথ্য থাকলে।

এটি দুই লেখকের প্রিপ্রিন্ট, সংস্করণ ১, জমা দেওয়া হয়েছে ২০২৬ সালের ৮ অক্টোবর। BIG CHANGE নিবন্ধ ও প্রতিবেদিত পদ্ধতি ও ফল পর্যালোচনা করেছে; পাইপলাইন চালায়নি বা ২০টি ডেটাশিটের সঙ্গে গ্রাফগুলো স্বাধীনভাবে যাচাই করেনি। অন্য নিষ্কাশন ব্যবস্থা, আরও বিস্তৃত নথিসমষ্টি বা ব্যবহৃত হার্ডওয়্যার কর্মপ্রবাহের তুলনায় নিবন্ধটি কার্যকারিতা প্রতিষ্ঠা করে না।

সূত্র ও আরও পড়ুন

  • Qiao ও Dick, Faithful and Complete LLM-Assisted Automated Construction of Hierarchical Hardware Knowledge Graphs, arXiv সংস্করণ ১, জমা ২০২৬ সালের ৮ অক্টোবর। পাইপলাইন, ২০টি ডেটাশিট মূল্যায়ন, স্কোর ও ঘোষিত সীমাবদ্ধতার প্রাথমিক উৎস। এগুলো লেখকদের ফল; এই নিবন্ধের জন্য স্বাধীন পুনরাবৃত্তি শনাক্ত হয়নি।