मिशिगन विद्यापीठाचा एक प्रीप्रिंट हार्डवेअर डेटाशीट शोधता येणाऱ्या ज्ञान-ग्राफमध्ये रूपांतरित करण्याची पद्धत सांगतो; त्यात काढलेला प्रत्येक तपशील त्याच्या स्रोताशी जोडलेला राहतो. 20 डेटाशीटवर लेखकांनी नोंदवले की त्यांच्या ग्राफमधील 98.8% गुणधर्मांना उद्धृत स्रोत-उताऱ्यांचा आधार होता; एका टप्प्यातील पद्धतीत हे प्रमाण 76.1% होते. हा निष्कर्ष लेखकांच्या मूल्यमापनातील निष्कर्षणाच्या गुणवत्तेबद्दल आहे. कोणत्याही ग्राफमधून निवडलेला घटक पूर्ण झालेल्या डिझाइनमध्ये चालेल, हे तो दाखवत नाही.

मोठा बदल

  • काय बदलले: मॉडेलला एका उत्तरात संपूर्ण ग्राफ तयार करायला सांगण्याऐवजी संशोधकांनी डेटाशीट प्रक्रिया मर्यादित निष्कर्षण, ग्राफमध्ये स्थान देणे आणि वारंवार स्वच्छता या टप्प्यांत विभागली.
  • हे का महत्त्वाचे: घटकाची मर्यादा शोधणाऱ्या अभियंत्याला मूल्य, कार्यस्थिती आणि डेटाशीटपर्यंत परत जाण्याचा मार्ग हवा असतो. या तुलनेत टप्प्याटप्प्याच्या पद्धतीने स्रोत-समर्थित गुणधर्म लक्षणीयरीत्या अधिक जपले.
  • कशाकडे लक्ष द्यावे: नोंदवलेले गुण 20 दस्तऐवजांवरून आहेत आणि एका टप्प्यातील एका आधार-पद्धतीशी तुलना करतात. स्वतंत्र पुनरावृत्ती आणि प्रत्यक्ष घटक-निवड किंवा पडताळणी कार्यप्रवाहातील चाचण्या अजून बाकी आहेत.

पाइपलाइन प्रत्येक तपशील स्रोताशी जोडून ठेवते

डेटाशीटमध्ये तपशील गद्य आणि तक्त्यांत विखुरलेले असतात. व्होल्टेजची मर्यादा उपकरणाच्या आवृत्तीवर किंवा कार्यपद्धतीवर अवलंबून असू शकते; त्यामुळे एकटा आकडा अभियंत्याच्या प्रश्नाचे पूर्ण उत्तर नसतो. लेखकांची पद्धत आधी PDF डेटाशीटचे Markdown मध्ये रूपांतर करते, तक्त्याची रचना जपते आणि मजकूर भागांमध्ये विभागते. प्रत्येक तक्ता पूर्ण ठेवला जातो, जेणेकरून शीर्षके आणि एकके संबंधित पेशींसोबत राहतात. आकृत्या इनपुटमध्ये नसतात; आकृत्यांत तपशील देणाऱ्या दस्तऐवजांसाठी ही महत्त्वाची मर्यादा आहे.

मॉडेल प्रत्येक भागातून सापडलेल्या गुणधर्माचे नाव, वर्णन, मूल्य किंवा मर्यादा आणि एकक काढते. स्रोताने अटी, संरचना आणि उपकरणाच्या आवृत्त्या दिल्या असतील तर वर्णनात त्या राहतात. प्रत्येक गुणधर्म त्याच्या स्रोत-भागाशी जोडलेला असतो. दुसऱ्या टप्प्यात गुणधर्म ग्राफमधील कार्यात्मक ब्लॉकखाली ठेवले जातात. उदाहरणार्थ UART baud-rate तपशील UART ब्लॉकखाली येतो; अनेक परिघीय उपकरणांत सामायिक तपशील श्रेणीक्रमात वर असतो. सुरुवातीच्या category template मध्ये ब्लॉक नसेल तर मॉडेल नवा ब्लॉक सुचवू शकते.

प्रणाली मॉडेलकडून स्थान आणि संपादनासाठी स्पष्ट सूचना मागते. स्थानिक सॉफ्टवेअर त्या तपासून साठवलेल्या गुणधर्मांवर लागू करते; मॉडेलला ग्राफ व त्याची मूल्ये पुन्हा तयार करावी लागत नाहीत. पुढील फेऱ्यांत डुप्लिकेट तपशील एकत्र केले जातात, समान नावाचे गुणधर्म वेगळे केले जातात आणि अधिक योग्य ब्लॉक तयार होण्यापूर्वी ठेवलेल्या गुणधर्मांचा पुनर्विचार होतो. या विभाजनामुळे चुकीचे मूल्य किंवा स्थान स्रोत-भाग व प्रक्रिया-टप्प्यापर्यंत शोधणे सोपे होते. त्यामुळे मॉडेलचे अर्थविषयक निर्णय अचूकच असतील याची हमी मिळत नाही.

माहिती शोधताना प्रणाली संबंधित कार्यात्मक ब्लॉक ओळखून त्यांचे गुणधर्म आणि पालक ब्लॉकमधून लागू होणारे वारसागत गुणधर्म पाहू शकते. ग्राफमधील शोध संकुचित करण्यासाठी ही दस्तऐवजीकृत रचना आहे. अभियंत्याचे काम वेगवान झाले किंवा सुसंगततेतील अपयश कमी झाले हे दाखवणारी क्षेत्रीय चाचणी लेखात नाही.

तुलनेने काय मोजले

लेखकांनी GPT-5.4 तापमान 0.2 वर वापरून 20 डेटाशीटवर दोन्ही पद्धती चालवल्या: सात सेन्सर, पाच प्रक्रिया घटक, पाच वीज मॉड्यूल आणि तीन संचार घटक. दस्तऐवज एकूण 1,040 पानांचे होते. एक-टप्पा आधार-पद्धतीला टप्प्याटप्प्याच्या प्रणालीसारखेच parsed Markdown मिळाले आणि एका query मध्ये संपूर्ण ग्राफ काढणे, डुप्लिकेट काढणे व रचना करणे अपेक्षित होते. त्यामुळे या तुलनेत कोणत्याही पद्धतीला आकृत्यांतील मजकूर मिळाला नाही.

98.8% आणि 76.1% हे आकडे गुणधर्मांची स्रोत-निष्ठामोजतात: काढलेल्या गुणधर्माला जोडलेला उतारा त्याला आधार देतो का. अर्थगत आधार LLM ने तपासला; आधार-पद्धतीने दिलेला संदर्भ इनपुट मजकुराशी जुळणेही आवश्यक होते. नंतर प्रत्येक ग्राफमधील किती निष्ठावान माहिती दुसऱ्या ग्राफमधून मिळू शकते याची तुलना झाली. टप्प्याटप्प्याच्या ग्राफने आधार-पद्धतीतील निष्ठावान, सामान्यीकृत गुणधर्मांपैकी 83.6% पूर्णपणे व्यापले. उलट दिशेने आधार-पद्धतीने टप्प्याटप्प्याच्या ग्राफमधील 10.5% गुणधर्म पूर्णपणे व्यापले.

हे दिशानुसार बदलणारे सापेक्ष coverage गुण आहेत; मूळ डेटाशीटवरील सर्व तपशीलांची टक्केवारी नाहीत. संपूर्ण ground-truth यादी उपलब्ध नव्हती. प्रत्येक ग्राफ तपशीलांचे विभाजन कसे करतो यातील फरक कमी करण्यासाठी लेखकांनी गुणधर्म सामान्यीकृत केले आणि मग मॉडेलला पूर्ण, अंशतः किंवा नसलेले coverage ठरवायला सांगितले. हाताने केलेल्या तपासणीत नमुन्यातील 200 सामान्यीकरण सूचनांपैकी 186 नमूद नियमांनुसार होत्या; आठ नव्हत्या आणि सहा संदिग्ध होत्या. या चुका एकूण coverage वर परिणाम करू शकतात.

प्रक्रियेला खर्चही आहे. 800 पेक्षा जास्त गुणधर्म असलेल्या Analog Devices सेन्सर ग्राफची एक refinement फेरी मॉडेल प्रश्न आणि API विलंबामुळे सुमारे 17 मिनिटे चालल्याचे लेख सांगतो. तडजोड म्हणून लेखकांनी तीन फेऱ्या निवडल्या. प्रत्येक डेटाशीटमागील सर्वसाधारण खर्च लेख देत नाही, तसेच उत्पादनाच्या प्रमाणात ही प्रक्रिया किफायतशीर आहे हे दाखवत नाही.

अभियांत्रिकीतील उपयोगाची अजून चाचणी आवश्यक

प्रयोगाने काढलेले ज्ञान मोजले, घटक निवडण्याचे निर्णय नाही. लेखकांच्या चाचणीत दाट दस्तऐवजाचे मागोवा घेता येणाऱ्या निष्कर्षण आणि ग्राफ-संपादन टप्प्यांत विभाजन केल्याने त्यांच्या एक-टप्पा आधार-पद्धतीपेक्षा स्रोत-समर्थित माहिती अधिक मिळाली. अभियंता अशा ग्राफमधून संभाव्य मर्यादा शोधून जोडलेला मूळ उतारा पाहू शकतो. घटकाचा निर्णय घेण्याआधी मूळ डेटाशीट आणि लागू अटींची मानवी तपासणी तरीही आवश्यक आहे, विशेषतः पाइपलाइनने न घेतलेल्या आकृत्यांमध्ये माहिती असल्यास.

हा दोन लेखकांचा प्रीप्रिंट, आवृत्ती 1, 8 ऑक्टोबर 2026 रोजी सादर झाला. BIG CHANGE ने लेख आणि त्यातील पद्धत व निकालांचा आढावा घेतला; पाइपलाइन चालवली नाही किंवा 20 डेटाशीटशी ग्राफची स्वतंत्र पडताळणी केली नाही. इतर निष्कर्षण प्रणाली, व्यापक दस्तऐवज संच किंवा वापरातील हार्डवेअर कार्यप्रवाहाशी तुलना करून कामगिरी सिद्ध होत नाही.

स्रोत आणि पुढील वाचन