Препринт Универзитета Мичиген описује начин да се листови са подацима о хардверу претворе у претраживе графове знања, уз очување везе сваке издвојене спецификације са њеним извором. На 20 листова са подацима, аутори наводе да је 98,8% својстава у њиховим графовима подржано цитираним изворним одломцима, у поређењу са 76,1% код једнократног приступа. Резултат се односи на квалитет извлачења у процени аутора. Он не показује да ће компонента изабрана на основу било ког графа радити у завршеном дизајну.

Велика промена

  • Шта се променило: Истраживачи су обраду листова са подацима поделили на ограничено извлачење, смештање у граф и поновљено чишћење, уместо да од модела траже да цео граф направи у једном одговору.
  • Зашто је важно: Инжењеру који тражи ограничење компоненте потребни су вредност, услови рада и пут назад до листа са подацима. Фазни приступ је у овом поређењу задржао знатно више својстава поткрепљених изворима.
  • Шта пратити: Пријављени резултати потичу из 20 докумената и пореде се са једним једнократним основним приступом. Независно понављање и тестови у стварном току избора или провере компоненти остају отворени.

Процес држи сваку спецификацију везаном за извор

Листови са подацима распоређују спецификације по тексту и табелама. Опсег напона може зависити од варијанте уређаја или режима рада, па изолован број не даје потпун одговор на питање инжењера. Метода аутора прво претвара PDF листове у Markdown, чува структуру табела и дели текст на делове. Свака табела остаје цела како би заглавља и јединице остали уз ћелије које описују. Дијаграми се изостављају из улаза, што је важно ограничење за документе који спецификације приказују у дијаграмима.

Модел из сваког дела издваја назив, опис, вредност или опсег и јединицу за свако својство које пронађе. Опис садржи услове, конфигурације и варијанте уређаја када их извор наводи. Свако својство задржава везу са својим изворним делом. Други корак смешта својства под функционалне блокове у графу. На пример, спецификација брзине преноса UART-а припада UART блоку; својство које дели више периферних уређаја смешта се више у хијерархији. Модел може предложити нови блок ако га нема у почетном шаблону категорија.

Систем од модела тражи изричита упутства за смештање и измену. Локални софтвер проверава та упутства и примењује их на сачувана својства, уместо да модел поново генерише граф и његове вредности. Каснији пролази спајају дуплиране спецификације, разликују својства истог назива и поново проверавају својства смештена пре него што је постојао прикладнији блок. Овакво раздвајање олакшава праћење погрешне вредности или положаја до изворног дела и корака обраде. Оно не гарантује да су семантичке одлуке модела непогрешиве.

За претрагу систем може да идентификује релевантне функционалне блокове и прегледа њихова својства, заједно са применљивим својствима наслеђеним од родитељских блокова. То је описан дизајн за сужавање претраге кроз граф. Рад не приказује теренско испитивање које би показало бржи инжењерски рад или мање проблема са компатибилношћу.

Шта је поређење мерило

Аутори су оба метода покренули помоћу GPT-5.4 на температури 0,2 над 20 листова са подацима: седам сензора, пет компоненти за обраду, пет модула за напајање и три комуникационе компоненте. Документи имају укупно 1.040 страница. Једнократни основни приступ добио је исти рашчлањени Markdown као фазни систем и морао је да издвоји, уклони дупликате и организује цео граф у једном упиту. Зато ниједан метод у овом поређењу није имао садржај из дијаграма.

Проценти од 98,8% и 76,1% мере верност својстава: да ли одломак приложен уз издвојено својство подржава то својство. LLM је процењивао семантичку поткрепљеност, док је наведена референца основног приступа морала и да одговара улазном тексту. Истраживачи су затим упоредили колико се верних информација из сваког графа може пронаћи у другом. Фазни графови су у потпуности обухватили 83,6% верних нормализованих својстава основног приступа. У супротном смеру, основни приступ је у потпуности обухватио 10,5% својстава фазних графова.

То су усмерени, релативни резултати покривености, а не проценат свих спецификација у изворним листовима. Није постојао исцрпан инвентар проверених података. Аутори су нормализовали својства да би умањили разлике у томе како је сваки граф делио спецификације, а затим су од модела тражили да оцени потпуну, делимичну или непостојећу покривеност. Ручна провера је утврдила да је 186 од 200 узоркованих упутстава за нормализацију поштовало наведена правила; осам није, а шест је било двосмислено. Те грешке могу утицати на укупне резултате покривености.

Обрада има и трошак. У раду се наводи да је једна итерација дораде графа сензора Analog Devices са више од 800 својстава трајала око 17 минута због упита моделу и кашњења API-ја. Аутори су изабрали три итерације као компромис. Рад не даје општи трошак по листу са подацима нити показује да је процес исплатив у производном обиму.

Инжењерску примену тек треба испитати

Експеримент је мерио издвојено знање, а не одлуке о компонентама. У тесту аутора, подела густог документа на кораке извлачења и измене графа који могу да се прате произвела је више информација поткрепљених изворима од њиховог једнократног приступа. Инжењер би могао да користи такав граф да пронађе могућа ограничења и прегледа приложени изворни одломак. Пре одлуке о компоненти, човек и даље треба да провери изворни лист са подацима и услове који важе, нарочито када дијаграм садржи информације које процес није обрадио.

Ово је препринт двоје аутора, верзија 1, предат 8. октобра 2026. BIG CHANGE је прегледао рад и његов опис метода и резултата; није покренуо процес нити независно проверио графове у односу на 20 листова са подацима. Рад не утврђује учинак у поређењу са другим системима за извлачење, на ширем скупу докумената или у примењеном хардверском току рада.

Извори и додатно читање