BOM Voyage

^^ А вот раздел на сайте Synopsys про это https://www.synopsys.com/ai/ai-chip-development.html

Synopsys, which acquired Ansys, says "AI for semiconductor development will also support satellite component development" После приобретения Ansys компания Synopsys объединяет средства проектирования микроэлектроники с инженерным моделированием и ИИ-агентами. Представленный Agent Engineer предназначен для сопровождения разработки микросхем, включая проектирование, проверку и корпусирование. Решение Multiphysics Fusion позволяет учитывать тепловые, электромагнитные и другие физические процессы при инженерных расчётах. Совместные разработки связывают проектирование электронных компонентов с анализом их физических характеристик и работой в составе системы: от определения требований до интеграции микросхем в конечное изделие. Одно из направлений применения этих средств — разработка спутниковой и аэрокосмической техники. Полупроводниковые компоненты используются в оптических датчиках, оборудовании связи и устройствах обработки сигналов, при этом аэрокосмические компании всё чаще самостоятельно проектируют ключевые микросхемы, включая радиочастотные. Для таких задач Synopsys предлагает сочетать инструменты разработки электроники с расчётными возможностями Ansys, которые уже применяются в отрасли для анализа спутниковых орбит, моделирования миссий и разработки компонентов. Компания также продолжит программу поддержки корейских стартапов ASK, предоставляющую доступ к инженерному программному обеспечению. В ней уже участвовали около 70 компаний; помимо отдельного направления для аэрокосмических предприятий, предполагается расширить сотрудничество с разработчиками полупроводников.

Рисует ИИ тоже неплохо

Китай. A Two-Layer Multi-Agent Deep Reinforcement Learning Framework for Flexible Job-Shop Scheduling with Multiple Batch-Processing Machines Планирование производства с обычными станками и оборудованием для обработки партий требует согласовать очередность операций, выбор оборудования и группировку изделий. Большая партия повышает загрузку установки, но ожидание её комплектования может задерживать следующие операции. Предложенная двухуровневая система агентов обучается с подкреплением сокращать время выполнения всех заданий при заранее заданных технологических маршрутах. Агенты заданий выбирают допустимое оборудование, а агенты оборудования определяют порядок операций. Отдельные агенты формируют партии, выбирают момент запуска и назначают установку. Операции, оборудование и зависимости представлены графом, который нейросеть использует для принятия решений. Обучение учитывает общий срок завершения работ, ожидание, простои и заполнение партий. Программные ограничения исключают превышение вместимости, повторное включение операции и запуск пустой партии. Метод проверили на обезличенных данных предприятия по корпусированию и испытанию полупроводников и на искусственных задачах. Модели обучали на десяти заданиях и проверяли на наборах до сорока. При обработке партий лучшие варианты сокращали длительность расписания относительно сравниваемых диспетчерских правил. В задачах без партий преимущество перед другими нейросетевыми методами зависело от сценария. Для каждого примера выбирали лучшее расписание из десяти запусков. Исследование предполагает известные задания и длительности операций, без внезапных заказов, поломок и отклонений времени обработки. Оптимизируется срок завершения всех работ; сроки отдельных заказов, энергопотребление и затраты отдельно не учитываются. Вместимость и совместимость партий заданы упрощённо, сложные переналадки и обслуживание оборудования не рассматриваются.

Генеративные интерфейсы, то, о чём уже год говорили большевики  OUI-1: world's first model for Generative UI https://www.openui.com/blog/oui-1 В ИИ-нативных приложениях интерфейс не обязательно должен быть заранее полностью запрограммирован: агент может динамически создавать нужные элементы управления и представления под конкретную задачу пользователя. Для этого генерация должна быть достаточно быстрой, чтобы восприниматься как обычный интерфейс, достаточно надёжной, чтобы результат действительно можно было исполнять, и достаточно компактной, чтобы модель могла работать локально на пользовательском оборудовании. Представили модель которая будет первым шагом в этом направлении.

Просто красивое rocket engine turbopump project design drawing

AiBuild о которой мы рассказывали здесь https://t.me/BOM_Voyage/14 Релизнули 1.0 И проводят вебинарчик 12-ого сентября в 18:00 по Минску https://us02web.zoom.us/webinar/register/WN_1u_9bNIfR7qIqhL2ZIkwCQ#/registration

arxiv :: CONTINUITY: Security-Context Contracts for Composable LLM Agent Controls Когда ИИ-агент выполняет задачу через несколько компонентов, ограничения, проверенные в начале, могут потеряться или измениться по пути к исполнению. Проверка прав, контроль происхождения данных и разрешение на операцию по отдельности ещё не обеспечивают согласованность всей цепочки. Например, после согласования действия промежуточный компонент может изменить получателя или параметры запроса. Цифровая подпись подтвердит, кто подготовил изменённый запрос, но не докажет, что изменения соответствуют выданному разрешению. Авторы предлагают задавать для каждого компонента проверяемый договор: какие условия он принимает, что обязан сохранить и какие преобразования может выполнить. Вместе с запросом передаются подтверждения полномочий, происхождения данных и допустимости изменений. Перед фактическим выполнением система проверяет, что разрешение относится именно к текущей операции, сохраняет силу и ещё не использовано. Для рабочих процессов с инженерными данными это означает сохранение связи между исходной задачей, согласованными условиями и конкретным изменением, которое будет внесено в систему. Объяснения самого агента не заменяют разрешения: при недостатке подтверждений операция блокируется или передаётся на дополнительное согласование. В испытаниях на искусственно сформированных сценариях система предотвратила вредоносные последствия 2 560 атак, выполнила 700 допустимых задач и направила 200 неоднозначных случаев на согласование. Проверялась сохранность условий авторизации на всём пути выполнения; правильность инженерного решения и достоверность исходных данных этот механизм сам по себе не устанавливает.

Умным агентам строят цифровые клетки: в России рождается новый рынок ИБ

Собственные harness-решения создают Яндекс, MWS AI, «Сбер» и другие компании. Они разрабатывают маршрутизацию запросов между моделями, контроль расхода вычислительных ресурсов, мониторинг операций и защитные барьеры.

Харнес - слово месяца, его использую к месту и не месту, а потом поясню, что обозначенная задача требует не только и не столько харнеса. — Harness организует работу агента: собирает контекст, вызывает модель, обрабатывает запросы инструментов, продолжает цикл, запрашивает участие человека. — Gateway (Шлюз) контролирует обращения через определённую границу: к моделям, инструментам, корпоративным API. Здесь размещаются проверки полномочий, параметров операций, ограничения и аудит. При этом шлюз к LLM и шлюз к инструментам решают разные задачи. То есть делая шлюз мы перехватываем каждый вызов LLM, каждый вызов Tool и проверяем что он там пытается делать, вносим корректировки или запрещаем. К слову каждая LLM требует собственную реализацию шлюза, т.к. API и ендпоинты различаются, это тот ещё геморрой. — Agent runtime управляет исполнением: запуском, состоянием, остановкой и возобновлением задач. Изоляцию процессов, файлов и сети обеспечивает связанная с ним sandbox — "песочницы" в которой оперирует агент, которая изолирована от среды которую не хотелось бы ломать, "песочница" строиться так, что её агент сломать может - её пересоздадут, — Control plane задаёт общие политики, управляет идентичностями и правами агентов, согласованиями и надзором за множеством запусков. Впрочем для обозначения всего этого используют слово харнес, но просто надо понимать что это упрощение для простой аудитории, на самом деле харнес это лишь часть этой инфраструктьуры, просто наиболее "на слуху", а потому стала упрощенным обозначением примерно всего.

arxiv :: Analog-DB: An Agent-First Analog Integrated Circuit Database, From Blocks to Systems Отличный пример «agent-first engineering data»: данные проектируются так, чтобы агент мог не только найти объект, но и проверить его инженерные свойства через штатный расчётный harness. Авторы предлагают хранить аналоговые схемы не просто как netlist, а как процесс-независимую топологию вместе с именованными функциональными блоками, ограничениями параметров, исполняемыми testbench и машинно-читаемым datasheet; каталог можно напрямую опрашивать программным агентом. База содержит 68 схем 16 классов, а в демонстрационном случае агент при переносе и настройке instrumentation amplifier обнаружил четыре ошибки ручного ввода и отсутствующий контур common-mode feedback.

Во многих высокоскоростных дизайнах под крупными контактными площадками необходимо делать вырез в опорном слое земли (ground plane), чтобы минимизировать локальный провал волнового сопротивления. Я использовал GPT-6 для создания скрипта, который через Altium PCB API считывает информацию о стеке слоёв, выделяет целевую цепь и класс контактных площадок, создаёт модель для openEMS и запускает электромагнитное моделирование, чтобы определить размер выреза под площадкой, при котором не возникает провала волнового сопротивления относительно подключённой к ней трассы. Затем рассчитанное значение расширения выреза в слое GND автоматически применяется ко всем контактным площадкам заданного пользователем класса цепей. Сейчас для всех площадок по-прежнему используется одно и то же значение расширения. Я планирую перенести эту схему на Palace EM, чтобы автоматически и параллельно рассчитывать значения расширения для площадок разных размеров и форм. Это должно работать значительно быстрее, чем openEMS.

https://x.com/QVHenkel/status/2096791072085074345

Бахнул промо видео своего личного проекта. Делаю ядро исполнения оркестра ИИ агентов в PLM/CAx контексте, пока что PLM фундамент на котором будет тестироваться, потом будут коннекторы во все PLM до которых дотянусь. Промо ни о чем, абстрактное, полно косяков, но это просто первый блин на скорую руку. Полчаса работы ИИ, практически без инструкций, просто подсунул продуктовую вики-карту проекта (специально продуктовым языком, без деталей реализации) https://github.com/Alvatune/Interlink-product-book-RU/wiki Потом будет лучше (со звуком)

Synera хвастается что ускорила отдельные процессы в Seat на 95% Замечу что некоторые процессы в корпорациях можно и на 100% ускорить если их на ноль помножить (без ущерба для результата, зачастую даже с выгодой). Но не менее From 95% faster processes to an agentic AI system: SEAT's next step in body-in-white P.S. Общесистемную презентацию их продукта (развитый Workflow с AI) можно посмотреть здесь: https://vimeo.com/1168398916

Недурно https://arche.co

Электронная бумага ED113TC1 отсюда: https://www.modos.tech 11.3", 2400×1032, 60fps. У них там и 13,3", 3200 x 2400 есть

Однако распределение результатов у астры весьма хорошее, полагаю близкое для человеческого в пределах одного цикла (потом выявляются ошибки и исправляют), так что при хорошем цикле возможно и можно в продакшен в несложных задачах

Нишевый, но технически интересный результат появился у украинского проекта 1UA‑AGE. 5 сентября разработчики сообщили результаты автономного трассирования плат непосредственно в KiCad: на RF-плате STRF агент три раза подряд развёл 98 из 98 соединений, а на четырёхслойной STM32-плате — 211 из 211; новые нарушения DRC при этом не появились. https://dev.ua/en/news/ukrainskyi-shi-inzhener-dlia-proiektuvannia-drukovanykh-plat-1788602402

Текущий независимый EEBench для electrical-engineering agents теперь ставит Astra на первое место: 69,3 ± 10,7%, против 61,6% у Claude Opus 5 и 57,1% у Grok 4.6. Причём Astra выполняет задачу примерно за 1 мин 46 с при средней стоимости $0,83, тогда как Opus 5 — около 13 минут и $2,38. https://eebench.org

Ресурсы связанные с проектированием печатных плат 1. PCB-Bench Tests LLMs on PCB knowledge, placement, routing, design rules, visual reasoning and real PCB understanding. https://github.com/digailab/PCB-Bench 2. OmniLayout Focuses on AI component placement while respecting schematic connections and physical constraints. https://omnieda.com 3. OmniRouting Tests AI on actual PCB routing, including connectivity, clearances, trace widths and electrical constraints. https://omnieda.com/routing/ 4. PCBWorld Lets AI agents work with the KiCad engine and use real DRC feedback while designing and routing boards. https://arxiv.org/abs/2607.05915 5. PCB-QA Tests whether AI can understand existing PCB designs, components, connections and engineering information. https://arxiv.org/abs/2606.23704 6. HWE-Bench Tests whether language models can create board-level schematics from engineering requirements and component information. https://arxiv.org/abs/2603.18102 —— 3 KiCad MCP servers bringing AI into PCB design 1. KiCad MCP Server by Seeed Studio Analyze schematics & PCBs, trace pin-level connections, inspect designs, run ERC/DRC and automate parts of the workflow. https://github.com/Seeed-Studio/kicad-mcp-server 2. KiCAD-MCP-Server by mixelpixx A feature-rich option for AI-assisted PCB design. Supports schematic editing, component placement, routing, DRC/ERC, custom footprints/symbols, manufacturing exports and more. https://github.com/mixelpixx/KiCAD-MCP-Server 3. kicad-mcp by lamaalrajih An open-source MCP integration for connecting AI clients with KiCad projects and automating PCB/EDA workflows. https://github.com/lamaalrajih/kicad-mcp