BOM Voyage

arXiv :: Orbital-Free Surrogate Functionals Yield Transferable Interatomic Potentials and Electron Densities Там описан подход к молекулярному моделированию, в котором ИИ заменяет часть вычислений теории функционала плотности и работает непосредственно с электронной плотностью без явного расчёта одноэлектронных орбиталей. В традиционной схеме Кона—Шэма вычислительная стоимость быстро растёт с размером системы. Орбитально-свободная DFT позволяет минимизировать энергию напрямую по электронной плотности, но требует функционала с корректной энергетической поверхностью. Предлагаемый сильный суррогатный функционал обучается так, чтобы минимум одновременно соответствовал правильной электронной плотности и энергии основного состояния. Для промежуточных состояний контролируется направление оптимизации и допустимый диапазон энергии, а размер шага изменения плотности выбирается адаптивно. Подход проверен на современных трёхмерных эквивариантных нейросетях eSEN и EquiformerV2. На наборе QM9 ошибка электронной плотности по сравнению с предыдущими машинно-обученными орбитально-свободными методами уменьшилась примерно на порядок, а ошибка энергии составила около 0,125–0,134 миллихартри. Для проверки переноса модели обучались на системах максимум с 15 тяжёлыми атомами, а затем применялись к молекулам QMugs размером до 100 тяжёлых атомов. Здесь ошибка энергии составила около 3,4–3,7 миллихартри против примерно 14–19 у сравниваемых нейросетевых межатомных потенциалов и 18–22 у предыдущих орбитально-свободных функционалов. Предусмотрен и гибридный вариант, где нейросеть вычисляет только кинетическую и обменно-корреляционную части энергии, а дальнодействующая электростатика рассчитывается аналитически. Такой подход требует нескольких последовательных вычислений нейросети для оптимизации электронной плотности и поэтому отличается от прямого предсказания энергии обычными межатомными потенциалами. На выходе получается не только энергия атомной конфигурации, но и пространственное распределение электронной плотности, которое можно использовать для расчётов электронной структуры, переноса заряда, электростатики и других свойств молекулярной системы.

ZWSOFT выпустила полноценную CAx-платформу для ИИ-агентов. На ZWorld 2026 компания представила ZWSOFT CAx AI Agent Platform, объединяющую CAD, CAE и CAM. Архитектура построена не вокруг генерации картинки или сетки: агент должен понимать инженерное намерение, вызывать штатные функции CAx для точного построения и расчётов и возвращать редактируемый результат, который инженер может проверить. Нижний уровень платформы подключает ZWCAD, ZW3D, CAE и CAM через MCP; сверху предполагаются продуктовые и пользовательские агенты. ZWSOFT заявляет планы сформировать более 5000 комбинируемых инженерных операций. В ZWCAD используется смешанная оркестрация Agent + Workflow с человеческой проверкой на критических этапа Решение уже используется в ZTE для проектирования технологической оснастки: генерирует 3D-модель приспособления, проверяет правила проектирования, выпускает 2D-чертёж и синхронно обновляет документацию после изменения модели. В одном тесте сложное приспособление, на которое вручную требовалось около шести часов, было построено ИИ примерно за 10 минут, после чего инженер потратил около часа на проверку; выпуск чертежа сократился примерно с 1,8 часа до менее 30 минут вместе с ручной проверкой. В другом пилоте с Lijing Innovation полный цикл проектирования оснастки сократился с 2–3 часов примерно до получаса, причём на выходе оставались обычная редактируемая CAD-модель и история проверки. https://www.iianews.com/ca/_01-ABC00000000000375774.shtml https://www.zwsoft.com/news/zworld-2026

Яндекс открыл веса новой языковой модели AliceAI-Foundation-80B-A3B-Base Модель обучена полностью с нуля, без использования весов сторонних опенсорс-моделей. По метрикам она обходит куда более крупные DeepSeek-V4-Flash-Base и Nemotron-3-Super почти по всем направлениям, а среди открытых претрейнов лидирует на IMO AnswerBench и LiveCodeBench. Свою же предыдущую закрытую версию на 235B она обгоняет по фактам, математике, коду и длинному контексту при почти втрое меньшем числе параметров и в семь раз меньшем количестве активных. Про то, как команда добилась таких результатов, нам удалось послушать на выступлении Екатерины Рединой в субботу на Practical ML Conf. Екатерина работает руководителем группы исследования знаний в службе качества претрейна Alice AI, и вот несколько интересных деталей, которые она раскрыла про процесс претрейна: 1. У команды был собственный scaling law: формула, которая по размеру модели и объему данных предсказывает, какие гиперпараметры (например, batch size) дадут лучший результат. Эта штука максимально важна, потому что перебирать варианты руками слишком дорого. Чтобы проверить закон, команда обучила модель с вдвое меньшим batch size. Должно было выйти хуже. Но вышло – лучше. Проблему искали довольно долго, а в итоге она оказалась на поверхности: сам scaling law строился на том, что модели сравнивали по лоссу, но оказалось, что лосс почти не коррелирует с бенчмарками. Все починилось после того, как инженеры пересобрали датасет для эвала. 2. Для обучения использовали оптимизатор Muon – он экономит FLOPs по сравнению с привычным AdamW, но платит за это дорогой операцией: матрицу весов нужно ортогонализовать целиком, а она у них разбита шардами по разным GPU. Значит, перед каждым шагом надо гонять данные по сети: собрать матрицу, обработать, раздать обратно. Чтобы GPU не простаивали в ожидании, разработчики написали свой конвейер: пока одна группа карт считает ортогонализацию для одной порции весов, другая уже тащит по сети следующую – вычисления и пересылка идут параллельно. Благодаря этой схеме шаг оптимизатора ускорился почти вдвое. 3. Данные были отдельной больной темой: синтетика то и дело подкидывала забавные побочные эффекты – модель могла выучить неправильную ассоциацию всего по одному обучающему примеру. Например, в QA про возраст был скрытый шаблон: живым к ответу приписывали год рождения, а умершим сразу годы жизни. Модель выучила не факт, а сам шаблон, и на вопрос «сколько лет Тарковскому?» вместо возраста выдавала «1932–1986». Фиксили аугментацией. 4. Вместе с моделью в опенсорс выложили два фактологических бенчмарка - WikiWebFacts и HardMultiQAс акцентом на русскоязычный контекст - и протоколы их оценки. 5. AliceAI-Foundation-80B-A3B-Base – это шаг к единой рассуждающей модели (ЕРМ), на которой будут строиться агентские возможности Алисы. За дальнейшими обновлениями и другими новостями от ML-команды Яндекса можно следить в канале @MLunderhood. Это только часть того, что рассказала Екатерина. Яндекс выпустил большой технический отчет – там подробно расписан весь путь обучения, с абляциями и разборами подводных камней. Прочитать его полностью можно здесь: https://habr.com/ru/companies/yandex/articles/1083300/

Доброго утра

Появился отраслевой пример verification-in-the-loop: DRC-Aid — работа Purdue по автоматическому исправлению ошибок физической топологии микросхем. Детерминированный Rule Engine сначала ограничивает множество допустимых геометрических изменений, ИИ выбирает следующий шаг, а после каждого изменения Siemens Calibre nmDRC/nmLVS независимо проверяет соответствие правилам и сохранение электрической эквивалентности; при неудаче используется backtracking. В экспериментах около 92,5% случаев завершались DRC-clean и LVS-equivalent результатом. arXiv: DRC-Aid: Design-Rule Correction via Agentic Framework utilizing Inference-Time Large Language Models

Safety, messaging and open source agents in Shanghai Agentic AI Foundation опубликовала подробности работы своей экосистемы в Шанхае, где в общий контекст MCP/A2A вошли проекты Huawei/openJiuwen — реестр A2X и протокол A4P. Особенно интересен A4P: в отличие от большинства существующих решений для агентов, он явно моделирует проверяемый мандат, а не ограничивается идентичностью агента или OAuth-полномочиями. openJiuwen рассматривает A2X и A4P как основу для обнаружения агентов и взаимодействия между ними в разных доменах. A4P расшифровывается как Agentic Authentication, Authorization, and Audit Protocol. В текущей реализации используются два типа полномочий. Operation Mandate разрешает одно конкретное действие с заданными параметрами, а Intent Mandate/Token задаёт ограниченный набор действий, которые агент может выполнять в рамках определённого намерения. Сам агент не принимает решение о доступе: A4P Server создаёт и проверяет мандаты, локальный User Authorizer подтверждает то, что разрешает пользователь, а защищённый Tool Server выполняет действие только после успешной проверки полномочий. Мандаты подписываются Ed25519; WebAuthn/passkeys позволяют криптографически связать человеческое подтверждение с конкретным мандатом. Можно также задавать ограничения параметров и количество допустимых выполнений. A2X дополняет эту конструкцию со стороны обнаружения. Его реестр управляет регистрацией и жизненным циклом агентов и вызываемых сервисов, поддерживает обычные сервисы, A2A endpoints и Skills, права владельца, состояния online/busy/offline и краткосрочные reservation leases для координации нескольких агентов. Отличительная особенность A2X — иерархический поиск возможностей с помощью LLM, позволяющий не загружать в контекст агента тысячи описаний MCP-инструментов. Есть и движение к стандартизации. Huawei рассматривает A4P как часть более широкой архитектуры доверенного агентного взаимодействия, где идентичность, делегирование полномочий, выполнение транзакций, платежи и доверие экосистемы разделены на самостоятельные, но совместимые слои. В том числе предполагается, что платежные действия агента должны быть ограничены явно подтверждённым пользователем мандатом. https://aaif.io/blog/safety-messaging-and-open-source-agents-in-shanghai

泊松软件 (Poisson Software) опубликовали технические детали своего Geoshape 3D CAD и агента Geoshape Vertex, плюс появился конкретный промышленный кейс в ветроэнергетике. Geoshape 3D CAD построен поверх собственного геометрического ядра Poisson: вендор заявляет устойчивую работу с деталями, содержащими более 2000 последовательных признаков построения, и сборками свыше 10 000 компонентов. AI-слой объединён с промышленной инфраструктурой Huawei и Ascend и включает автоматическое дополнение ограничений эскиза, рекомендации CAD-команд, мультимодальный поиск деталей и автоматическую генерацию параметрических моделей и инженерных чертежей. Для автоматического формирования чертежей заявлена успешность не ниже 90%. Vertex находится уровнем выше CAD. Инженер задаёт задачу естественным языком, агент вызывает функции Geoshape 3D CAD и возвращает непосредственно инженерный результат без необходимости вручную работать через обычный CAD-интерфейс. При этом контекст для агента формируется не только из общей модели, но и из исторических моделей предприятия, внутренних правил и накопленного инженерного опыта. Poisson одновременно связывает этот контур с IntePLM: модели, чертежи и BOM должны образовывать единый цикл изменений, а несколько специализированных агентов — работать через общий «интеллектуальный инструментальный контур» проектирования. Also, опубликован и предметный кейс Vertex для проектирования башен и вспомогательных конструкций ветроэнергетических установок. Здесь используются большая модель, интеллектуальный анализ 3D-геометрии, параметрическое моделирование и автоматическая генерация чертежей. В цепочку входят выбор варианта конструкции, автоматическое 3D-моделирование, нанесение обозначений, проверка соответствия правилам и выпуск документации; отраслевые нормы и накопленные правила проектирования оформляются как отдельная база знаний и навыков. Это уже весьма близко к специализированному CAD design agent, а не к универсальному copilot. Одновременно Poisson раскрыла направление «knowledge-driven agent modeling» для CAE: Magicsim и структурный решатель GFE должны включаться в тот же агентный процесс проектирования и проверки. Однако по этому CAE-агенту пока не опубликованы ни его инструменты, ни схема принятия решений или показатели автономности. https://www.rmzxw.com.cn/c/2026-09-20/3978048.shtml?n2m=1 https://www.rmzxw.com.cn/c/2026-09-20/3978048.shtml?n2m=1

iProov опубликовала экспериментальную открытую спецификацию HAPS — Human Approval and Presence Specification. https://www.iproov.com/press/haps-specification-human-approval-ai-agent-actions Она решает узкую, но принципиальную проблему: как технически доказать, что конкретный человек действительно одобрил конкретное действие конкретного агента до его выполнения. Идея важнее обычной кнопки Approve: человеческое разрешение становится проверяемым артефактом, который можно связать с самим действием и проверить независимо. Есть эталонная реализация на Rust и тестовые векторы. Спецификация и эталонная имплементация: https://github.com/iProov/HAPS

14 сентября Национальный технический комитет КНР по стандартизации кибербезопасности TC260 выпустил «Artificial Intelligence Safety Governance Framework 3.0» https://www.digitalchina.gov.cn/2026/xwzx/szkx/202609/t20260915_5371542.htm Уже третью версию, хех! А где-то проводят совещание о создания рабочей группы для обсуждения необходимости создания чего-то подобного. * В самой 3-ей версии ничего особенного, лучше проработали runtime-контроль. До полноценного Engineering Decision Control им всё ещё не хватает предметного слоя: понятия собственно инженерного решения, привязки approval к конкретным ревизиям Requirement/CAD/CAE/BOM, формализованного evidence package и инженерных verifier'ов, проверяющих физическую, нормативную или технологическую корректность решения.

^^ У меня просто на балконе, там тоже прохладно. Балкон очень глубокий, не зальёт, но вот живность может завестись.

Все, что нужно знать о развитии ИИ сегодня: миллиардер Тобиас Лютке (который CEO Shopify) переделал винный погреб в серверную В холодильнике для вина теперь охлаждаются GPU: по виду там как минимум Dell Pro Max с GB300, RTX PRO 2000, 16TB NVMe и Dual 400GbE. Можно запустить GLM. Новый вид понтов выглядит так

Работаю над инструментом для моделирования электродвигателей. https://greylabs86.com/axialflow/ Для моделирования полей прямо на компьютере используется WebGPU. Долгосрочная цель — создать двигатель с печатной платой в качестве статора и ротором, напечатанным на 3D-принтере. Тогда для изготовления работающего электродвигателя будет достаточно одной платы от JLCPCB и 3D-принтера. Никакой намотки обмоток!

https://x.com/a19grey/status/2101179164506325096

И новое в трассируемости действий агентов — Advanced AI Society присоединилась к Linux Foundation и LF Decentralized Trust и запускает открытую экосистему проверки ИИ-агентов. Центральным элементом станет Proof-of-Control — открытый стандарт, предназначенный для доказуемого контроля автономных агентов. Его рабочая версия 1.0 вынесена на публичное обсуждение до конца октября 2026 года, а сам проект размещается в LF Decentralized Trust как отдельная лаборатория. Proof-of-Control должен позволять заранее задавать границы полномочий агента: с какими данными и объектами он может работать, какие инструменты использовать и какие действия выполнять. Во время работы система формирует независимые доказательства того, что агент оставался в этих границах. Это позволяет проверять не только журналы самого приложения, но и фактическое выполнение операций на протяжении всего жизненного цикла агента. Для инженерного домена такой механизм означает возможность отделить управление агентами от конкретной инженерной системы. Агенту можно выдать ограниченный мандат, например разрешить чтение структуры изделия, изменение определённых атрибутов, запуск расчётов или подготовку производных данных, но запретить утверждение изменений и выпуск документации без участия человека. Каждое обращение к модели, инструменту или внешней системе при этом может сопровождаться проверяемым свидетельством того, кто инициировал действие, какие полномочия использовались и соответствовал ли результат установленным ограничениям. Архитектура строится на принципе независимой проверки: организация не должна полностью зависеть от журналов самого агента или его поставщика. Для этого предполагаются открытые форматы, защищённые от изменения журналы, проверяемые удостоверения и криптографические доказательства. Такой слой может использоваться между ИИ-агентами, PLM/PDM, CAD/CAE, системами управления требованиями, производственными системами и внешними организациями, обеспечивая сквозную прослеживаемость действий. По сути, речь идёт о переходе от простого протоколирования работы ИИ к доказуемому управлению полномочиями. Для инженерных процессов это особенно важно там, где агент способен изменять состав изделия, требования, геометрию, технологические данные или другую информацию, влияющую на физический продукт. Проверка тогда охватывает не только конечный результат, но и то, в каких границах агент действовал, какие инструменты применял и какие операции были разрешены человеком или корпоративной политикой. Создатели Proof-of-Control связывают эту работу и с формирующимися в США требованиями к безопасности автономных агентов, где обсуждаются непрерывная проверка контроля и независимая оценка таких систем. Размещение стандарта внутри Linux Foundation должно сделать его нейтральной инфраструктурой, не контролируемой одним поставщиком, и сформировать общий слой доверия для будущих агентных систем. Сама новость: https://advancedaisociety.org/announcements/joins-linux-foundation-open-verification-ecosystem Страница стандарта: https://advancedaisociety.org/proof-of-control

Страница проекта с архитектурой и результатами: https://iambrc.github.io/PART-project-page/ Статья на Arxiv: https://arxiv.org/abs/2609.19872

Китай PART: Learning 3D Part Assembly and Retrieval with Transformers — описание подхода к автоматической сборке 3D-модели из библиотеки готовых компонентов. Исследователи из University of Science and Technology of China, Tencent и HKUST предлагают не обычную задачу «даны детали — найди их позиции», а более близкий к инженерному поиску вариант: системе дают целевую форму и библиотеку компонентов, после чего она сама определяет, какие компоненты нужны, сколько их должно быть и в каких шестимерных "позах" их разместить. Системе задают целевую геометрию в виде облака точек и каталог деталей, после чего она сама выбирает нужные компоненты и определяет их положение и ориентацию. В отличие от генерации произвольной геометрии, объект собирается из существующих деталей с сохранением их идентичности, что сближает задачу с CAD-сборками и библиотеками стандартных компонентов. ИИ одновременно сопоставляет целевой объект с библиотекой, выделяет области для отдельных деталей и вычисляет их пространственное положение. Число компонентов заранее задавать не требуется: каждый потенциальный элемент либо связывается с конкретной деталью, либо отбрасывается. Сегментация и размещение решаются совместно, а для симметричных деталей учитываются несколько эквивалентных ориентаций. Интересна связь между сегментацией и сборкой. Если известно, какую область целевого объекта должна занимать конкретная деталь, это помогает определить её положение. И наоборот: если деталь уже приблизительно установлена, её геометрия помогает понять, какая область облака точек относится к ней. PART обучает эти две задачи совместно, а после первого прохода дополнительно оптимизирует сборку, заставляя предсказанные позы и сегментацию согласовываться друг с другом. Одновременно минимизируется различие между всей собранной моделью и целевой геометрией. Отдельно решена проблема симметричных компонентов. Для круглой ножки или симметричного элемента несколько ориентаций могут быть геометрически эквивалентны, поэтому обычная ошибка между двумя углами поворота вводила бы сеть в заблуждение. Система учитывает допустимые симметричные ориентации и использует специальное представление вращения через A-matrix. При финальной оптимизации проверяются до 24 симметричных вариантов ориентации и выбирается вариант, дающий лучшее геометрическое совпадение. Есть ещё один практически интересный приём — «train short, test long». Обучать Transformer сразу на библиотеках из сотен или тысяч деталей дорого, поскольку вычислительная сложность attention быстро растёт. Поэтому во время обучения библиотека содержит всего 20 компонентов: нужные детали плюс случайные посторонние. На каждом шаге посторонние детали меняются. Уже обученную сеть можно применять к существенно более крупным каталогам — в экспериментах использовались 100 и даже 1000 компонентов. Для обучения и проверки собран набор более чем из 80 тысяч составных 3D-моделей из нескольких существующих наборов данных. Для более крупной универсальной версии модели используется около 113 млн параметров, для специализированных вариантов — около 52 млн. Обучение проводилось на восьми NVIDIA A800. На задаче, где библиотека содержала 1000 возможных деталей, PART одновременно показал более точную реконструкцию и гораздо меньшее время поиска. В зависимости от класса объекта сборка занимала примерно 5–6 секунд на одной A800. Генетический поиск требовал порядка 70–100 секунд, а предыдущий метод UPRA — примерно 100–300 секунд. Существенная часть преимущества появляется именно благодаря тому, что Transformer рассматривает кандидатов параллельно, а не перебирает комбинации последовательно. Метод проверили не только на мебели. Его расширили до сборки целых сцен: например, по облаку точек комнаты система выбирает подходящие предметы мебели и располагает их в пространстве. Возможна и работа от изображения: картинка сначала преобразуется в 3D-модель с помощью Hunyuan3D, из неё получается облако точек, после чего PART пытается воспроизвести объект из имеющейся библиотеки компонентов. Показана также работа с реальными RGB-D сканами без дополнительного обуч

И французы. Faber AI⁠ — французский стартап, который строит ИИ-агентов для механического проектирования и подготовки производства https://www.faber.ai

«ИИ-агенты автоматизируют до половины текущих операционных процессов», — о такой цели рассказал директор по технологиям и AI-трансформации Яндекс Лавки Станислав Макеев на прошедшем deep tech night. По его словам, Лавка уже сейчас перестраивает процессы так, чтобы ИИ мог принимать решения в бизнесе. Например, в коммерции агент сможет анализировать спрос, работать с ассортиментом, искать поставщиков и готовить предложения. Человеку же остается самое ответственное: сложные переговоры. Все это — цели, пока что агент собирает для управленца краткие бизнес-справки с рекомендациями действий. Впрочем, часть процессов уже автоматизировали. Так, поиском потерявшихся посылок раньше занимались вручную 10 человек фуллтайм, а теперь эту работу выполняет агент. Будущее уже здесь 😨 @xor_journal

В копилочку интересных специализированных решений. RhinoArtisan — специализированная CAD-система для проектирования и производства ювелирных изделий, работающая поверх Rhino. Сейчас они выпустили 7-ю версию, которая стала одним из наиболее законченных примеров Agentic CAD через MCP. В RhinoArtisan 7 ИИ встроен прямо в среду ювелирного проектирования и работает с параметрической моделью, CAD-командами и подготовкой производства. По текстовой команде он может менять размеры и форму изделия, перестраивать оправы, рассчитывать массу и стоимость, проверять толщины, готовить STL и документацию. Геометрию ИИ не строит сам, а вызывает штатные функции RhinoArtisan, поэтому модель остаётся параметрической и редактируемой. Для внешних агентов предусмотрен локальный MCP-сервер, через который ChatGPT, Claude, Gemini и другие системы получают доступ к предметным операциям RhinoArtisan: камням, шинкам, оправам, крапанам, литникам, расчётам, проверкам и экспорту. Автоматизация также доступна через Grasshopper и Python: более 240 компонентов позволяют создавать семейства изделий, а Flow Studio по текстовому описанию генерирует сценарии для повторяющихся операций. Производственный контур включает работу с pavé, массовое размещение камней, изменение размеров колец, построение литников, восстановление STL, подготовку к печати, расчёт материалов и спецификаций. Отдельные генеративные средства создают изображения, видео и органическую 3D-форму для дальнейшей обработки в Rhino. В результате RhinoArtisan 7 объединяет текстовое управление, параметрический CAD, автоматизацию и подготовку производства в одном процессе. https://rhinoartisan.com/7/

Квантовые вычисления начинают встраиваться в привычные инженерные расчёты не как замена CAE-системам, а как специализированный ускоритель отдельных этапов. В эксперименте квантовый алгоритм подключили к расчётному процессу Ansys LS-DYNA и использовали для подготовки больших систем уравнений, возникающих при конечно-элементном анализе. От порядка расположения неизвестных в такой системе зависит объём промежуточных вычислений, расход памяти и скорость последующего решения на обычном вычислительном кластере. Квантовая часть подбирает более выгодную структуру задачи, после чего основной физический расчёт по-прежнему выполняется традиционными численными методами. Подход проверили на моделях автомобиля, промышленного бура, рабочего колеса и узла авиационного двигателя с сетками размером до десятков миллионов элементов. В зависимости от модели общее время расчёта удалось сократить на 5,9–14,6%. Для инженерной задачи, которая обычно выполняется около недели, такой результат соответствует экономии примерно суток. Получается гибридная схема: CAD и CAE остаются классическими, CPU и GPU выполняют основной расчёт, а квантовый процессор используется для оптимизации отдельных вычислительно сложных операций внутри инженерного конвейера. https://www.ionq.com/news/ionq-demonstrates-computer-aided-engineering-workload-acceleration-by-up-to-14-6-with-quantum-technology

^^ Наглядный пример использования Jev можно посмотреть у Дениса https://t.me/denissexy/11675