BOM Voyage

Китайцы тоже балуются. ChatGPT 5.6 Sol за работой

Исходники LibreCAD: https://github.com/magik6k/LibreCAD-Web OpenSCAD: https://github.com/magik6k/openscad-web FreeCAD: https://github.com/magik6k/FreeCAD-web

история и технические детали реализации https://magik.net/freecad/ Вам месяц нужен чтобы кнопку перекрасить, а кто-то за 4 дня запилил веб версию FreeCAD с помощью ИИ (Fable)

LibreCAD, OpenSCAD и FreeCAD в браузере LibreCAD: https://magik.net/librecad/app.html OpenSCAD: https://magik.net/openscad/app.html FreeCAD: https://magik.net/freecad/app.html

^^ Знакомый использовал их данные для построения CEM (Computational Engineering Model), а так же AI CAD MCP агента и очень рекомендует.

https://sti.nasa.gov/for-developers/ NASA Scientific and Technical Information предоставляет программный доступ к хранилищу NTRS — коллекции отчётов, статей, патентов, диссертаций, презентаций и материалов конференций NASA, NACA и JPL. Открытый REST API возвращает данные в JSON и позволяет искать публичные документы без аутентификации. Для интеграции используется открытый REST API, возвращающий данные в JSON и не требующий аутентификации для публичных записей. Поиск поддерживает заголовки, аннотации, авторов, организации, центры NASA, ключевые слова, номера отчётов, категории, типы публикаций и диапазоны дат. В ответах доступны авторы и их ORCID, сведения о контрактах и грантах, ограничения распространения, а для открытых материалов — ссылки на PDF и извлечённый текст. Это позволяет создавать специализированный поиск, базы знаний, RAG-системы, анализировать развитие технологий и связи между авторами, организациями и программами. При локальном хранении необходимо отслеживать изменение статуса документов: отдельный метод сообщает о материалах, которые стали недоступны или получили новые ограничения. Для первоначальной загрузки больших массивов предназначены годовые выгрузки NDJSON, пригодные для потоковой обработки. API рациональнее использовать для поиска, получения отдельных записей и последующей синхронизации, поскольку он ограничивает частоту запросов и объём выдачи. Таким образом, NASA STI представляет собой не только веб-каталог, но и структурированный источник научно-технических данных для поисковых, аналитических и прикладных систем.

^^ Zoo: Design Studio для представления модели и работы с ним ИИ использует специализированный язык KCL (KittyCAD Language), который одновременно выступает исходным текстом, параметрической историей и интерфейсом для генеративного агента. Изменения через графический интерфейс преобразуются в KCL, а код исполняется геометрическим ядром. MecAgent применяет другой вариант: языковая модель создаёт команды, макросы или вызовы API для SolidWorks, CATIA, Inventor и других систем. Результатом становится нативная модель с эскизами, операциями и деревом построения, а текст служит программой управления CAD. Adam/CADAM использует OpenSCAD: модель генерирует декларативный код из примитивов, преобразований и булевых операций. Это надёжно для корпусов и других регулярных деталей, но хуже подходит для сложных поверхностей и сборок. В экспериментальных системах ту же роль часто выполняют CadQuery и build123d, строящие геометрию через OpenCascade. В целом не все Text-to-CAD стартапы используют текст как основное внутреннее представление модели. Spectral Labs в SGS-1 заявляет прямую генерацию структурированной B-Rep-геометрии с аналитическими плоскостями, цилиндрами, конусами и сплайновыми поверхностями. Здесь специализированная модель должна восстановить поверхности, рёбра, вершины и топологические связи; результатом становится STEP, но не обязательно исходное дерево операций. Backflip преобразует изображения, полигональные сетки и сканы в STEP, а в интеграции с Onshape может восстанавливать редактируемые операции, однако точное промежуточное представление компания публично не раскрывает. Sloyd использует более ограниченный подход: выбирает параметрический шаблон из библиотеки и определяет его параметры по текстовому запросу. Это даёт предсказуемую топологию, но работает только в пределах подготовленных семейств объектов. Между кодом и прямой геометрией находятся специализированные последовательности CAD-команд: эскиз, контур, выдавливание, фаска, ссылка на грань. Они токенизируются подобно тексту, хотя человеку могут быть почти нечитаемы. Альтернативами служат полигональные сетки, облака точек, воксели, поля расстояний и скрытые представления B-Rep. Эти формы удобны для обучения геометрических моделей, но хуже сохраняют размеры, ограничения и замысел конструкции. Поэтому наиболее перспективна гибридная архитектура: языковая модель планирует и редактирует операции, геометрическая выбирает грани и рёбра, а CAD-ядро проверяет ограничения и валидность тела. *Описание KCL: https://zoo.dev/docs/kcl-book/intro.html

Американский Text-to-CAD стартап ZOO https://zoo.dev

Все это напомнило недавнюю статью AI Is Designing Radio Chips That Humans Couldn’t Even Imagine При проектировании радиочастотных интегральных схем давно есть зрелые маршруты синтеза и проверки, а радиочастотные схемы остаются во многом ручной работой: проектировщик выбирает архитектуру, настраивает каскады, согласует импедансы, размещает пассивные элементы и затем многократно проверяет результат в моделировании. На частотах десятков гигагерц проводники уже нельзя рассматривать как простые соединения между элементами: они становятся частью электромагнитной системы, где форма металлизации, паразитные связи, отражения, фазовые сдвиги и потери напрямую определяют работоспособность схемы. Главная идея состоит не в том, чтобы немного ускорить подбор параметров в уже известных шаблонах, а в том, чтобы передать алгоритму часть поиска архитектуры, топологии и физической геометрии. Для этого используют обучение с подкреплением и быстрые нейросетевые заменители электромагнитных расчётов. Система перебирает варианты усилителей, согласующих цепей и пассивных структур, получает оценку по мощности, полосе, усилению, эффективности и устойчивости, после чего постепенно учится находить решения, которые человеку было бы трудно спроектировать вручную. Особенно важна работа с S-параметрами: если известно, как структура должна пропускать и отражать сигнал на разных портах, модель может искать физическую форму металлизации, соответствующую этим характеристикам. Там, где полноценный электромагнитный расчёт занимает минуты или часы, нейросетевой эмулятор даёт приближение за миллисекунды, что резко увеличивает число проверяемых вариантов. Практические результаты выглядят необычно даже визуально. В одном из примеров широкополосный усилитель мощности для диапазона примерно 30–100 ГГц получил структуру, похожую не на привычную симметричную схему, а на плотный пиксельный узор. Это не декоративная странность, а следствие того, что алгоритм не ограничен привычными эвристиками размещения и может использовать геометрию, которую человек, скорее всего, не стал бы рассматривать. При этом физический прототип показал рабочее сочетание полосы, выходной мощности и эффективности. Затем тот же подход начали расширять на многопортовые структуры, где число взаимосвязей быстро растёт, а ручная настройка становится ещё менее удобной: у четырёхпортовой схемы уже шестнадцать S-параметров, и каждый порт влияет на остальные. При этом полностью «нечитаемые» структуры не решают всю проблему. Микросхему нужно проверять, отлаживать, переносить в технологический процесс и сопровождать, поэтому важна управляемая интерпретируемость. Для этого применяют диффузионные модели, которые по требуемым электромагнитным характеристикам генерируют не одну произвольную форму, а варианты с разной степенью регулярности: от более привычной геометрии до сложных лабиринтоподобных и пиксельных структур. Такой подход не отменяет роль специалиста, потому что сгенерированная схема всё равно требует верификации, физического анализа и проверки на производственных ограничениях. Скорее он меняет границу между ручным проектированием и автоматическим поиском: человек задаёт требования, контролирует корректность и принимает решения, а алгоритм берёт на себя тяжёлый перебор сложного электромагнитного пространства, где традиционные шаблоны уже слишком тесны. * В картинках первую схему разработал человек, остальные - описанный workflow с применением ИИ

И отдельно про Atlas RF Studio - их более узкий продукт для проектирования радиочастотных компонентов. В нём используются две специализированные модели: Heaviside-0 решает прямую задачу: получает геометрию платы и параметры материалов и предсказывает S-параметры. Компания сообщает о времени около 13 мс для одной конструкции и около 0,3 мс на конструкцию при пакетной обработке 1024 вариантов. На использованных компанией примерах это соответствует ускорению в диапазоне от 18 000 до 800 000 раз относительно численного решателя. Это внутренние результаты Arena Physica, а не отраслевой независимый тест. Marconi-0 решает обратную задачу: получает требуемую частотную характеристику и генерирует геометрию, которая должна её обеспечить. Модель построена на условном диффузионном процессе: она создаёт много вариантов, Heaviside-0 быстро оценивает их, после чего лучшие кандидаты уточняются в нескольких итерациях. https://www.arenaphysica.com/publications/rf-studio

https://www.arenaphysica.com Arena Physica — американская компания на стыке искусственного интеллекта, проектирования электроники, электромагнитного моделирования и испытаний аппаратуры. Раньше она была известна как Arena или Arena AI и развивала платформу Atlas для анализа и оптимизации аппаратных систем. В марте 2026 года компания расширила позиционирование и стала называть свою цель созданием «электромагнитного сверхинтеллекта» — специализированных моделей, способных понимать связь между геометрией устройства, материалами, электромагнитными полями и наблюдаемыми характеристиками. Обычный электромагнитный решатель, например Ansys HFSS или CST, получает геометрию, материалы и граничные условия, после чего численно решает уравнения Максвелла. Каждый новый вариант конструкции вычисляется почти с нуля. Это точно, но один прогон может занимать минуты, часы или даже дни. Arena Physica пытается добавить в этот процесс ИИ: обучаемую модель, которая на миллионах ранее рассчитанных конструкций изучает соответствие между геометрией и электромагнитным поведением. Такая модель не должна заменять точный решатель на завершающей стадии верификации. Её назначение — очень быстро оценивать варианты, исследовать огромное пространство конструкций и предлагать формы, до которых специалист мог бы не дойти вручную. Основной их продукт, даже платформа, — ATLAS, предназначенаz не только для радиочастотного проектирования, но и для работы со всем жизненным циклом сложной аппаратуры. В Atlas можно загружать электрические схемы, netlist, BOM, CAD-модели, спецификации, телеметрию, журналы работы, результаты испытаний и отчёты об отказах. Поверх этого строятся агентные процессы, способные сопоставлять данные из разных областей: например, связать отказ аппарата с электрической схемой, конфигурацией батарей, прошивкой и временным рядом телеметрии. Они выделяют три основных сценария: 1) Диагностика отказов. Atlas анализирует логи, телеметрию, схемы и документацию, формирует гипотезы о первопричине и план проверки. При этом результаты расследований сохраняются как организационное знание и могут использоваться при следующих инцидентах. 2) Верификация плат и испытания. Платформа проверяет схемы по корпоративным правилам, сравнивает ревизии, связывает компоненты с документацией и генерирует планы DVT, функциональных и производственных тестов. 3) Автоматическая оптимизация. Atlas управляет замкнутым циклом «изменение параметров → эксперимент или симуляция → измерение результата → следующий вариант». Это применимо к настройке вычислительных систем, радиочастотных трактов, энергетических систем и другой аппаратуры с управляемыми параметрами. Atlas подключается через API и MCP к Teamcenter, Windchill, Aras, Altium, Cadence, KiCad, Ansys, COMSOL, CST, SPICE, Keysight ADS, GitHub, Jira, Databricks, Grafana и лабораторным приборам. Заявлены облачное, локальное, гибридное и изолированное развёртывание. По архитектурной роли Atlas больше напоминает AI-слой над существующим набором PLM, EDA, CAE и испытательных систем, чем замену какой-либо из них. Он должен связывать модели изделия, документацию, расчёты и фактические данные в единый процесс анализа. Для контекста PLM/CAD/CAM Arena Physica интересна не как ещё один генератор геометрии. Она демонстрирует более содержательную схему AI-native разработки изделия: модель получает доступ к структуре изделия, физическим расчётам, экспериментам и измерениям, а затем замыкает их в итерационный цикл. Пока этот подход наиболее развит для электроники и RF, но архитектурно тот же принцип можно применять к прочности, тепловым процессам, аэродинамике, технологическим режимам и другим физическим областям.

IPS позволяет анализировать вибрации соединенний в конструкции, обнаруживать опасность резонанса и т.п. https://industrialpathsolutions.com

COLAB https://www.colabsoftware.com B2B-платформа для команд, которые разрабатывают физические изделия: машины, оборудование, компоненты, самолёты, промышленные продукты. Ближе всего её можно описать как слой для design review, DFM-review, supplier review и накопления технического знания поверх CAD/PLM/Jira/Teams. Главная идея: в сложной разработке физического продукта слишком много решений принимается в разрозненных местах — в совещаниях, PowerPoint, PDF, письмах, CAD-скриншотах, Jira-задачах, PLM-комментариях. CoLab пытается собрать сам процесс обсуждения конструкции в одно место: открыть 3D-модель или чертёж в браузере, дать доступ нужным людям, привязать комментарии прямо к геометрии, превратить замечания в отслеживаемые issues и сохранить всё это как историю проектных решений. Сама компания прямо пишет, что CoLab не является PLM, project management-системой или мессенджером; они называют это интегрирующим слоем для технических команд, “EngineeringOS”.

Не CAD/PLM, но восхитительная конструкция и её явно тоже проектировали. Интересно в чем, не встречал деталей.

Про nTop, из комментариев: Они шагнули гораздо дальше openvsp, да и то что там есть сделали более production-ready. Но я бы сказал, что основное у них не сам продукт, а то как активно они создают интеграции и совместные внедрения с другими американскими стартапами. Их топ-менеджеры просто из штанов выпрыгивают налаживая мосты, интегрируя американские стартапы в что-то что уже можно называть платформой. Это делает их ключевым элементом так сказать новой волны американского defence-tech. Но что хорошо - делают это открыто, что позволяет следить и находить с их помощью все новые стартапы в этой области.