Markdown பதிப்பு

AI-translated from English; not yet reviewed by a fluent editor.

# நிலைப் படிகளுடன் AI தரவுத்தாள்களிலிருந்து வன்பொருள் விவரங்களைப் பிரித்தெடுக்கிறது

> 20 தரவுத்தாள்களில், ஒரே படி அடிப்படையைவிட நிலைப்படி AI பிரித்தெடுத்தல் மூல ஆதரவு கொண்ட வன்பொருள் விவரங்களை அதிகம் அளித்ததாக இரு ஆசிரியர்களின் முன்வெளியீடு தெரிவிக்கிறது. படங்களும் உண்மையான வடிவமைப்பு முடிவுகளும் சோதிக்கப்படவில்லை.

By BIG CHANGE Editorial

Published: 2026-10-12T10:04:09.292Z
Updated: 2026-10-12T10:04:09.292Z
Canonical: https://bigchange.ai/blog/ai-hardware-datasheet-knowledge-graph-extraction

![Conceptual charcoal illustration of an unbranded electronic sensor module beside a datasheet table with one orange-highlighted row.](https://bigchange.ai/api/media/file/hardware-datasheet-sensor-spec-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. It does not depict a studied component, a real datasheet, or a tested engineering decision.

ஒரு [மிச்சிகன் பல்கலைக்கழக முன்வெளியீடு](https://arxiv.org/html/2610.12762v1) ஒவ்வொரு பிரித்தெடுத்த விவரத்தையும் அதன் மூலத்துடன் இணைத்து, வன்பொருள் தரவுத்தாள்களைத் தேடக்கூடிய அறிவு வரைபடங்களாக மாற்றும் முறையை விவரிக்கிறது. 20 தாள்களில் வரைபடப் பண்புகளில் 98.8% மேற்கோள் மூலப் பகுதிகளால் ஆதரிக்கப்பட்டதாக ஆசிரியர்கள் கூறுகிறார்கள்; ஒரே படி முறையில் 76.1%. இது அவர்களின் மதிப்பீட்டில் பிரித்தெடுத்தல் தரத்தைக் குறிக்கிறது; வரைபடத்திலிருந்து தேர்ந்தெடுத்த கூறு இறுதி வடிவமைப்பில் இயங்கும் என நிரூபிக்காது.

## முக்கிய மாற்றம்

- **எது மாறியது:** முழு வரைபடத்தையும் ஒரே பதிலில் உருவாக்கச் சொல்லாமல், ஆராய்ச்சியாளர்கள் செயல்முறையை வரையறுக்கப்பட்ட பிரித்தெடுத்தல், வரைபட இடமமைப்பு, மீண்டும் மீண்டும் சீரமைத்தல் எனப் பிரித்தனர்.
- **ஏன் முக்கியம்:** கூறு வரம்பைத் தேடும் பொறியாளருக்கு மதிப்பு, செயல்பாட்டு நிபந்தனைகள், தரவுத்தாளுக்குத் திரும்பும் வழி தேவை. இந்த ஒப்பீட்டில் நிலைப்படி முறை மூல ஆதரவு கொண்ட பண்புகளை அதிகமாகப் பாதுகாத்தது.
- **கவனிக்க வேண்டியது:** மதிப்பெண்கள் 20 ஆவணங்களும் ஒரே படி அடிப்படை ஒப்பீடும் சார்ந்தவை. சுயாதீன மறுஉருவாக்கமும் உண்மையான கூறுத் தேர்வு அல்லது சரிபார்ப்பு செயல்முறைச் சோதனைகளும் இன்னும் இல்லை.

## ஒவ்வொரு விவரத்தையும் மூலத்துடன் வரைபடம் இணைக்கிறது

தரவுத்தாள்களில் விவரங்கள் உரை, அட்டவணைகளில் பரவியுள்ளன. மின்னழுத்த வரம்பு சாதன வகை அல்லது செயல்முறையைப் பொறுத்திருக்கலாம்; தனி எண் பொறியாளரின் கேள்விக்கு முழுப் பதிலல்ல. PDFகளை Markdown ஆக மாற்றி, அட்டவணை அமைப்பைப் பாதுகாத்து, உரையைப் பகுதிகளாகப் பிரிக்கிறது. தலைப்புகளும் அலகுகளும் செல்களுடன் இருக்க ஒவ்வொரு அட்டவணையும் முழுதாக வைக்கப்படுகிறது. படங்கள் சேர்க்கப்படவில்லை; வரைபடங்களில் விவரங்கள் உள்ள ஆவணங்களுக்கு இது முக்கிய வரம்பு.

ஒவ்வொரு பகுதியில் கண்ட பண்பின் பெயர், விளக்கம், மதிப்பு அல்லது வரம்பு, அலகை மாடல் எடுக்கிறது. மூலத்தில் உள்ள நிபந்தனைகள், அமைப்புகள், சாதன வகைகளை விளக்கத்தில் வைத்திருக்கிறது; ஒவ்வொரு பண்புக்கும் மூலப் பகுதி இணைக்கப்படுகிறது. இரண்டாம் படி பண்புகளை செயல்பாட்டு வரைபடப் பிரிவுகளில் வைக்கிறது. UART வேக விவரம் UART பிரிவில், பல புறச் சாதனங்களுக்குப் பொதுவானது மேல்நிலையில் இருக்கும். தொடக்க வகை வார்ப்புருவில் பிரிவு இல்லையெனில் புதியதை மாடல் முன்மொழியலாம்.

வெளிப்படையான இடமமைப்பு, திருத்த வழிமுறைகளை மாடலிடம் அமைப்பு கேட்கிறது. மாடல் வரைபடம், மதிப்புகளை மீண்டும் உருவாக்குவதற்குப் பதிலாக, உள்ளூர் மென்பொருள் வழிமுறைகளைச் சரிபார்த்து சேமித்த பண்புகளுக்குப் பயன்படுத்துகிறது. பின்வரும் சுற்றுகள் நகல் விவரங்களை இணைத்து, ஒரே பெயருள்ள பண்புகளை வேறுபடுத்தி, பொருத்தமான பிரிவு உருவாகுமுன் வைக்கப்பட்டவற்றை மறுபரிசீலனை செய்கின்றன. தவறான மதிப்பு அல்லது இடத்தை மூலப் பகுதி, செயல்பாட்டுப் படிவரைத் தேட எளிதாகிறது; மாடலின் பொருள் முடிவுகள் தவறற்றவை ஆகாது.

தேடலில் பொருத்தமான செயல்பாட்டு பிரிவுகளை அடையாளம் கண்டு, அவற்றின் பண்புகளையும் மேல்பிரிவிலிருந்து பொருந்தும் மரபுப் பண்புகளையும் பார்க்கலாம். வரைபடத் தேடலைக் குறைக்கும் வடிவமைப்பு இது. விரைவான பொறியியல் வேலை அல்லது குறைந்த பொருத்தமின்மை கோளாறுகளை நிரூபிக்கும் களச் சோதனை ஆய்வில் இல்லை.

## ஒப்பீடு அளந்தது என்ன

GPT-5.4, வெப்பநிலை 0.2 கொண்டு இரு முறைகளையும் 20 தாள்களில் ஆசிரியர்கள் சோதித்தனர்: ஏழு உணரிகள், ஐந்து செயலாக்கக் கூறுகள், ஐந்து மின்சார தொகுதிகள், மூன்று தொடர்புக் கூறுகள்; மொத்தம் 1,040 பக்கங்கள். ஒரே படி அடிப்படைக்கு அதே செயலாக்கப்பட்ட Markdown கொடுத்து, ஒரு வினவலில் முழு வரைபடத்தைப் பிரித்தெடுத்து, நகல்களை நீக்கி, ஒழுங்குபடுத்தச் சொன்னார்கள். எனவே எந்த முறையும் படத் தகவலைப் பயன்படுத்தவில்லை.

98.8%, 76.1% எண்கள் *பண்பு நம்பகத்தன்மை*யை அளக்கின்றன: இணைக்கப்பட்ட பகுதி பிரித்தெடுத்த பண்பை ஆதரிக்கிறதா? ஒரு LLM பொருள் ஆதரவைத் தீர்மானித்தது; அடிப்படை முறையில் மேற்கோளும் உள்ளீட்டு உரையுடன் பொருந்த வேண்டும். பின்னர் ஒரு வரைபடத்தின் நம்பகத் தகவலை மற்றொன்றிலிருந்து எவ்வளவு மீட்கலாம் என ஒப்பிட்டனர். நிலைப்படி வரைபடங்கள் அடிப்படையின் நம்பகமாகச் சீராக்கிய பண்புகளில் 83.6% முழுமையாகக் கவர்ந்தன; மாறாக, அடிப்படை வரைபடம் நிலைப்படி வரைபடப் பண்புகளில் 10.5%ஐ முழுமையாகக் கவர்ந்தது.

இவை திசைசார் ஒப்பீட்டு கவரேஜ் மதிப்புகள்; அசல் தாள்களின் எல்லா விவரங்களின் சதவீதம் அல்ல. முழுமையான உண்மை பட்டியல் இல்லை. பண்புகளை எவ்வாறு பிரித்தனர் என்ற வேறுபாட்டைக் குறைக்க ஆசிரியர்கள் சீராக்கி, முழு, பகுதி அல்லது இல்லாத கவரேஜை மாடலால் மதிப்பிட்டனர். 200 மாதிரி வழிமுறைகளில் 186 விதிகளைப் பின்பற்றின; எட்டு பின்பற்றவில்லை, ஆறு தெளிவற்றன. இப்பிழைகள் மொத்தக் கவரேஜை பாதிக்கலாம்.

செயலாக்கச் செலவும் உண்டு. 800க்கும் மேற்பட்ட பண்புகளுள்ள Analog Devices உணரி வரைபடத்தின் ஒரு சீரமைப்பு சுற்று, மாடல் வினவல்கள் மற்றும் API தாமதத்தால் சுமார் 17 நிமிடங்கள் எடுத்ததாக ஆய்வு கூறுகிறது. ஆசிரியர்கள் சமரசமாக மூன்று சுற்றுகளைத் தேர்ந்தனர். ஒரு தாளுக்கான பொதுச் செலவோ உற்பத்தி அளவில் சிக்கனமோ நிரூபிக்கப்படவில்லை.

## பொறியியல் பயன்பாடு இன்னும் சோதிக்கப்பட வேண்டும்

இந்தச் சோதனை பிரித்தெடுத்த அறிவை அளந்தது; கூறு முடிவுகளை அல்ல. அடர்த்தியான ஆவணத்தைத் தடமறியக்கூடிய பிரித்தெடுத்தல், வரைபடத் திருத்தப் படிகளாகப் பிரித்ததில் அடிப்படையைவிட மூல ஆதரவு தகவல் அதிகரித்தது. பொறியாளர் வரைபடத்தில் சாத்தியமான வரம்புகளைக் கண்டுபிடித்து இணைக்கப்பட்ட மூலப் பகுதியைப் பார்க்கலாம். கூறைத் தேர்வதற்கு முன் அசல் தரவுத்தாளையும் பொருந்தும் நிபந்தனைகளையும் மனிதர் சரிபார்க்க வேண்டும்; குறிப்பாக மாடல் படிக்காத படங்களில் உள்ள தகவலை.

இது இரு ஆசிரியர்களின் முன்வெளியீடு, பதிப்பு 1; 2026 அக்டோபர் 8 அன்று சமர்ப்பிக்கப்பட்டது. BIG CHANGE ஆய்வையும் தெரிவித்த முறை, முடிவுகளையும் பார்த்தது; குழாயை இயக்கவோ 20 தாள்களுடன் வரைபடங்களைச் சுயாதீனமாகச் சரிபார்க்கவோ இல்லை. வேறு பிரித்தெடுத்தல் அமைப்புகள், விரிந்த ஆவணத் தொகுப்பு அல்லது பயன்படுத்தப்பட்ட வன்பொருள் பணிச்சூழலில் செயல்திறனை ஆய்வு நிறுவவில்லை.

### ஆதாரங்கள் மற்றும் மேலும் வாசிப்பு

- [Qiao மற்றும் Dick, *Faithful and Complete LLM-Assisted Automated Construction of Hierarchical Hardware Knowledge Graphs*](https://arxiv.org/html/2610.12762v1), arXiv பதிப்பு 1, 2026 அக்டோபர் 8 சமர்ப்பிப்பு. குழாய், 20 தாள் மதிப்பீடு, மதிப்பெண்கள், அறிவித்த வரம்புகளுக்கான முதன்மை ஆதாரம். இவை ஆசிரியர் முடிவுகள்; சுயாதீன மறுஉருவாக்கம் இந்தக் கட்டுரைக்கு கண்டறியப்படவில்லை.

## Sources

- [Faithful and Complete LLM-Assisted Automated Construction of Hierarchical Hardware Knowledge Graphs, arXiv v1](https://arxiv.org/html/2610.12762v1) — முறை, 20 தாள் மதிப்பீடு, வரம்புகள் குறித்த ஆசிரியர்களின் முதன்மை ஆய்வு; சுயாதீன மறுஉருவாக்கம் இல்லை.
- [2610.12762-க்கான arXiv பதிப்பு பதிவு](https://arxiv.org/abs/2610.12762) — ஆசிரியர்கள், v1 சமர்ப்பிப்பு, ஆய்வு வகையை உறுதிப்படுத்தும் முதன்மை மெட்டாடேட்டா; சுயாதீன சோதனை ஆதாரம் அல்ல.