KI-Sprachmodelle in der Embedded-Hardware-Entwicklung – Vom Datenblatt bis zum ersten Code

KI in der Softwareentwicklung ist längst Alltag – doch wie sieht es im Hardware- und Embedded-Design aus? Große Sprachmodelle (LLMs) bieten enormes Potenzial, um den zähen Entwicklungsalltag zu beschleunigen. Doch wie nutzt man diese generischen Tools konkret für die Hardwareentwicklung?

In diesem Praxisbericht zeigen Forschende der TU Darmstadt vom Fachgebiet für Integrierte Elektronische Systeme (IES), wie Entwickler frei zugängliche KI-Tools effektiv in ihren Workflow integrieren können. Der Fokus liegt dabei auf der Vorentwicklung und dem Prototyping: Wir demonstrieren an echten Beispielen, wie sich Iterationszyklen massiv verkürzen lassen, werfen aber auch einen kritischen Blick auf die aktuellen Hürden im Engineering-Alltag.

Dozenten

Dirk Leiacker

David Riehl

Lernziele

• Anforderungsanalyse & High-Level Design: Vage Produktideen per KI strukturieren und als „Sparringspartner“ in ein belastbares, technisches Systemkonzept überführen.
• Bauteilrecherche: Passende Komponenten schnell eingrenzen sowie Limits und Kostenstrukturen bewerten.
• Entwicklungs-Boost: Komplexe Datenblätter gezielt durchsuchen und Bauteile fundiert gegeneinander abwägen.
• Design-Verifikation: Netzlisten und Datenblätter kombinieren, um Schaltungen durch LLMs zusätzlich auf Fehler zu prüfen.
• Embedded-Inbetriebnahme: Aus Netzliste und Datenblatt direkt per KI-Agent den ersten lauffähigen Code für den Prototypen generieren.
• Reality-Check: Der richtige Umgang mit Halluzinationen, Token-Limits und Überprüfbarkeit

Zielgruppe

System-Architekten, F&E-Fachkräfte, Elektronik-Hardware-Entwickler, Embedded-Software-Ingenieure