BOM Voyage

Гендир nTop

Мэтт, наш руководитель образовательного направления, завтра отправляется в Технологический институт Джорджии, чтобы провести хакатон. Для подготовки участников он интегрировал AeroSandbox в nTop, что позволяет практически мгновенно выполнять аэродинамические расчёты с использованием панельных методов. Описание рабочего процесса уже опубликовано на сайте нашего сообщества.

Сегодня в Вене стартовал Wiener Produktionstechnik-Kongress 2026, и программа первого дня необычно плотно сфокусирована именно на переходе от обычной цифровизации производства к автономным и агентным системам. В один день собраны выступления Siemens, DMG MORI, Bosch и Boeing по темам «AI in Production», «Machining Transformation and AI», «Software-Defined Factory: Agentic Systems in Manufacturing» и автономному цифровому производству в аэрокосмической отрасли. На 8 октября запланированы ещё более близкие к CAPP/production engineering темы: разработка стратегии механообработки с учётом физики процесса, автоматизированная разработка процессов обработки, Physical AI для автономной фабрики и интеллектуальный контроль качества в реальном времени. https://wpk.conf.tuwien.ac.at/en/ Меня не позвали ☕️ но я всё равно не смог бы

Vinci привлекла $250 млн на Physics AI и расширяется за пределы теплового CAE. Стартап вчера объявил Series B при оценке $1,5 млрд. Его текущая платформа ориентирована прежде всего на тепловое моделирование сложных полупроводниковых корпусов и заявляет работу непосредственно с производственной геометрией без традиционного meshing. Для одного опубликованного примера Vinci приводит 20 секунд против двух часов коммерческого FEA-решателя при 117 млн степеней свободы; в более ранней валидации — менее 2% расхождения при моделях свыше 100 млн DoF. Компания теперь намерена расширять тот же подход на деформации, вибрации и электромагнетизм. Для CAE важно не само финансирование, а масштаб ставки на универсальные physics foundation models, которые должны работать zero-shot вместо отдельного surrogate для каждого проекта. Числа производительности пока следует считать преимущественно результатами самой Vinci и её партнёров. https://www.getvinci.ai

arXiv :: Only Linear Constraints Survive Coarse-Graining: Evaluating Physics-Constrained Neural Operators on Stochastically Forced Turbulence Очень важная статья для тех кто занимается CFD и моделированием турбулентности, а так же для любого иного приближенного инженерного моделирования средствами ИИ. Сначала думал пересказать как есть, два раза попробовал, но получается слишком сложное описание. Поэтому очень упрощённое описание: Если нейросеть учится предсказывать движение жидкости по сильно упрощённым данным, нельзя просто требовать от неё точного выполнения исходных физических уравнений. При упрощении часть мелких деталей течения теряется, а вместе с ними исчезает часть процессов, которые влияют на крупные масштабы. Поэтому упрощённое поле жидкости уже не обязано точно подчиняться тем же уравнениям, что и полная модель. Если всё же заставлять нейросеть выполнять эти уравнения, она начинает компенсировать отсутствующую физику своим собственным, неявным способом. При этом некоторые физические правила после упрощения данных всё равно остаются верными. Например, для несжимаемой жидкости можно точно сохранять условие отсутствия источников и стоков внутри потока, а также общий баланс импульса. Эти ограничения можно не просто добавлять в обучение как штраф за ошибку, а непосредственно исправлять каждый результат нейросети так, чтобы нужные законы выполнялись точно. Такой подход почти не увеличивает вычислительные затраты и позволяет удерживать физические ограничения с очень высокой точностью. С энергией ситуация сложнее. В турбулентном течении крупные вихри могут получать энергию от мелких вихрей, которых в упрощённых данных уже нет. Если это не учитывать, модель начинает постепенно терять энергию. В эксперименте достаточно было добавить простую оценку того, сколько энергии в среднем приходит от скрытых мелких масштабов, чтобы общий энергетический баланс почти восстановился и длительные расчёты перестали быстро разрушаться. Однако правильное распределение энергии между разными масштабами всё равно постепенно нарушалось. Поэтому простые физические ограничения можно накладывать на нейросеть напрямую, а для более сложных нелинейных процессов нужно отдельно описывать влияние той части физики, которая исчезла при упрощении данных. У работы довольно важный результат: физически информированный loss по исходному PDE не обязательно физически корректен на грубой сетке. Показано, как определить, какие физические ограничения после укрупнения данных остаются справедливыми, и как накладывать их точно, избегая ошибок, связанных с некорректным физическим штрафом. https://arxiv.org/abs/2610.07811

"Билайн" предложила ввести паспорт ИИ-агента для опознания разработчика, рассказал генеральный директор компании Сергей Анохин. "Очень важно понимать, чей это агент, кто его создал и кто понесет ответственность. Возможным ответом может стать создание паспорта ИИ-агента. Телеком-индустрия имеет огромный опыт технологий идентификации и авторизации пользователей, и этот опыт точно можно применить для решения этой задачи", - сказал он на пленарной сессии форума "Цифровые решения". Гендиректор отметил, что вопрос особенно актуален на фоне роста дипфейков и случаев, когда человеку сложно отличить ИИ от живого собеседника или распознать синтетические аудио, видео и тексты.

https://1prime.ru/20261006/bilajn-873996351.html Звучит смешно, особенно учитывая, что агент - это по сути конфигурация, экземпляров, то есть сессий, то есть "экземпляров агентов" может быть множество, плюс агенты постоянно меняются - меняются их инструкции, инструменты и так далее. Это не человек которому паспорт выдаётся в одно лицо и есть биометрия. Однако таких вот инициатив в мире уже хватает в разных странах, в Финляндии кажется даже приняли закон (как реализуют - одному богу известно), в Правильной Корее кажется какой-то реестр запустили. на самом деле проблематика сводится к другому, я неоднократно писал про это

Напомню, что агентам придётся работать не только в рамках одного предприятия, но и взаимодействовать с агентами других предприятий - агентами заказчиков, подрядчиков, партнёров и т.п. Это потребует новой инфраструктуры которая будет обеспечивать доверие, трассируемость, валидацию результатов, машинные контракты, передачу авторизации, контекста и всё это в ситуации когда у каждого будет своя инфраструктура со своими решениями. И если на востоке это вероятно превратиться в национальные стандарты и инфраструктуру "все под одну гребёнку", то на западе вероятно будет созвездие отдельных, возможно местами конкурирующих стандартов и решений. Таков путь.

Подобные попытки "нужен учёт агентов" — это суть итеративное приближение к этому. И инфраструктура для этого уже активно формируется в Китае, ЕС, США. В России начали со смешных заявлений, но полагаю что это проходили все без исключений.

Accuris выпустила новый слой цифровой нити между нормативными требованиями и PLM/ALM. Accuris Connect теперь напрямую соединяет Engineering Workbench с Teamcenter, Windchill, Polarion и Codebeamer. В PLM создаётся управляемая запись о применённом стандарте — его редакции, состоянии публикации и устойчивом идентификаторе — а требование можно связать непосредственно с конкретным пунктом исходного нормативного документа. При изменении стандарта система может показать, какие инженерные решения потенциально затронуты. Параллельно через API предоставляется проверенная информация примерно о 1,3 млрд компонентов: жизненный цикл детали, соответствие нормам, поставщики и риски. Важна архитектурная идея: PLM остаётся главным источником инженерной записи, а внешние сведения не копируются внутрь без контроля — вместо этого сохраняется прослеживаемая связь с авторитетным источником. Агент может не просто сказать, что конструкция соответствует определённому стандарту, а показать конкретную редакцию, положение документа и связь с требованием или деталью. Именно такого слоя доказательств обычно не хватает при переходе от ИИ-помощника к агенту, способному участвовать в инженерных решениях. Accuris Launches Accuris Connect to Bring Trusted Intelligence to Engineering and Supply Chain Workflows

ИИ уже проектирует вместе с инженерами. Покажем, как это работает в Сбере, ПИК и Газпроме на форуме СИЛА ПЛАТФОРМЫ https://sapr.ru/news/20261007-sila-platformy

У нас тут есть причастные к космосу так что arXiv :: Fast and Differentiable MHD Surrogate for Solar Wind using Neural Operator В статье описан SNOW, то есть, хехе, СНЕЖОК, — новый дифференцируемый нейросетевой суррогат для полноценного трёхмерного магнитогидродинамического расчёта солнечного ветра. Он последовательно восстанавливает восемь переменных MHD на сферических оболочках от 20 до 240 солнечных радиусов и генерирует всё трёхмерное решение менее чем за секунду на одном GPU. При этом сохраняются крупномасштабные структуры течения, направления магнитного поля, связность силовых линий и приемлемые физические показатели дивергенции и индукции. И интересна тут не  столько астрофизическая область сама по себе, а демонстрация устойчивого длинного пространственного развёртывания сложной многополевой PDE-системы без быстрого накопления ошибки. Обычно это становится хронической проблемой ограничивающей внедрение. Кроме того дифференцируемость дополнительно позволяет использовать такую модель внутри оптимизации, калибровки и оценки неопределённости.

У нас тут есть причастные к космосу так что arXiv :: Fast and Differentiable MHD Surrogate for Solar Wind using Neural Operator В статье описан SNOW, то есть, хехе, СНЕЖОК, — новый дифференцируемый нейросетевой суррогат для полноценного трёхмерного магнитогидродинамического расчёта солнечного ветра. Он последовательно восстанавливает восемь переменных MHD на сферических оболочках от 20 до 240 солнечных радиусов и генерирует всё трёхмерное решение менее чем за секунду на одном GPU. При этом сохраняются крупномасштабные структуры течения, направления магнитного поля, связность силовых линий и приемлемые физические показатели дивергенции и индукции. И интересна тут не столько астрофизическая область сама по себе, а демонстрация устойчивого длинного пространственного развёртывания сложной многополевой PDE-системы без быстрого накопления ошибки. Обычно это становится хронической проблемой ограничивающей внедрение. Кроме того дифференцируемость дополнительно позволяет использовать такую модель внутри оптимизации, калибровки и оценки неопределённости.

Запись вебинара SimScale в котором показали на реальном примере, как CAE-agent проходит от CAD батареи до работающего теплового расчёта. За один сеанс работы агент получает модель аккумуляторного блока из САПР, определяет физику задачи, материалы и граничные условия и самостоятельно подготавливает тепловой расчёт, без ручной настройки пользователем дерева расчётной модели. При этом демонстрацию специально проводили не по заранее отлаженному сценарию: оставили ошибки и необходимость уточнений, чтобы показать реальный процесс взаимодействия с агентом. https://www.simscale.com/blog/webinar-highlights-hands-on-simscale-ai-agent/

Сегодня, 6 октября, DATADVANCE публично показывает агентный сценарий для DT Enterprise — российской платформы автоматизации инженерных расчётов. Их агент работает через цикл «действие → результат», вызывает уже проверенные инженерные инструменты и расчётные приложения, а не генерирует ответ напрямую. Через MCP ему можно предоставить доступ к CAD, CAE, HPC и собственным программным модулям предприятия. При этом расчётные цепочки остаются версионируемыми и воспроизводимыми. Самая интересная часть — разделение ответственности. DATADVANCE предлагает оставить детерминированными те этапы, где есть формализованный расчёт, а LLM подключать только там, где заранее описать логику трудно. В демонстрационных сценариях агент может запускать и комбинировать опубликованные расчётные приложения, самостоятельно собирать и настраивать расчётную цепочку, а затем публиковать её как повторно используемый инженерный процесс. Платформа при этом не привязана к конкретной LLM: через MCP можно подключать разные модели и менять поставщика без изменения самого инженерного контура. https://advengineering.ru/software/datadvance/dt-enterprise

arXiv :: SPEAR: A Spectral-Disentangled MoE Neural Operator with Knowledge-Guided Expert Aggregation for Large-Scale PDE Pretraining В статье описывается SPEAR — универсальная нейросетевая модель для решения разных классов дифференциальных уравнений в частных производных — от переноса и диффузии до гидродинамики, волн и турбулентности. Пространственное поле разделяется по частотам: крупномасштабные и сравнительно плавные структуры обрабатываются общей частью модели, а мелкомасштабные особенности — вихри, фронты, скачки и резкие границы — передаются специализированным вычислительным модулям. Для каждой задачи автоматически выбираются наиболее подходящие специализированные модули, при этом они используют общую базовую структуру и отличаются лишь небольшими наборами параметров. После обучения близкие по поведению модули могут объединяться, что уменьшает избыточность модели. Предварительное обучение сразу на нескольких физических системах позволяет затем настраивать модель под конкретные задачи и переносить накопленные знания на новые уравнения. Такой подход разделяет общие закономерности физической динамики и специфические локальные явления, позволяя одной модели работать с существенно различающимися задачами численного моделирования.

earthtojake/text-to-cad уже собрал примерно 17,4 тыс. звёзд. этот Text-to-cad позволяет создавать параметрические трёхмерные модели по текстовому описанию с помощью языковой модели. ИИ не генерирует геометрию напрямую, а пишет программу на Python, после чего точную твердотельную модель строит геометрическое ядро OpenCascade через build123d. Результат можно сохранить в STEP, STL, 3MF и других форматах, а размеры, отверстия, фаски и другие элементы затем изменять обычными текстовыми командами. Работа строится циклически: агент получает требования, создаёт модель, измеряет и проверяет её, при необходимости исправляет программу и перестраивает геометрию. Поддерживаются отдельные детали, сборки, стандартные компоненты, плоские контуры, инженерные чертежи и некоторые проверки технологичности. Языковая модель отвечает за понимание требований и последовательность построения, а точные геометрические вычисления выполняет обычное CAD-ядро. https://github.com/earthtojake/text-to-cad

AMD Brings the Power of Agentic AI to Embedded Design and Development Cycle AMD представила Ross — систему ИИ-агентов для разработки встраиваемых устройств, охватывающую путь от архитектуры и разделения функций между аппаратной и программной частью до проектирования FPGA и SoC, разработки ПО, отладки, анализа энергопотребления и внедрения ИИ. В отличие от обычного помощника для написания кода, Ross может напрямую работать с инженерными средствами AMD, запускать операции, получать результаты и использовать их для следующих шагов. Система интегрируется с Vivado, ChipScope, Power Design Manager, Vitis, Vitis HLS, Vitis AI, ROCm AI и Ryzen AI. Агент может, например, искать причины нарушения временных ограничений FPGA, собирать внутренние сигналы для аппаратной отладки, оптимизировать C++-код для аппаратного синтеза, оценивать энергопотребление и помогать при проверке схемы или компоновки платы. Доступ к инженерным инструментам организован через MCP-серверы, а дополнительный контекст дают техническая документация AMD и набор описанных специалистами инженерных процедур. В них фиксируются последовательности действий для типовых задач: анализа проекта, поиска неисправностей, проверки и оптимизации. Ross при этом не привязан к одной языковой модели или среде разработки и выступает как отдельный слой между ИИ и инженерными программами, позволяя агенту выполнять последовательные процессы проектирования, проверки, отладки и оптимизации.

Теперь официально, договорились поглотиться

Связка PTC, AVEVA и Cognite потенциально может охватить почти весь жизненный цикл промышленного изделия. PTC даёт данные о том, каким изделие должно быть: требования, геометрию, состав, варианты исполнения, изменения и историю разработки. AVEVA показывает, что происходит на производстве и в эксплуатации: параметры процессов, состояние оборудования, события и измерения. Cognite может связать эти миры в общую модель зависимостей между проектированием, производством, обслуживанием и фактическим состоянием оборудования. Ценность не в том, чтобы собрать всё в одну базу, а в том, чтобы связать разные представления одного и того же изделия. Конкретный насос можно сопоставить с его серийным номером, установленной конфигурацией, версией конструкции, составом изделия, изменениями, производственной историей, обслуживанием и текущими показаниями датчиков. Тогда система сможет отвечать не только на вопрос «почему растёт температура?», но и выяснять, связано ли это с определённой ревизией, поставщиком, технологией изготовления или режимом эксплуатации, а затем находить другие изделия с тем же риском. Для инженерных агентов такой контекст особенно важен. Агент сможет видеть не только текущее состояние, но и причины прошлых решений, требования, результаты испытаний и последствия изменений. Эксплуатационные данные смогут возвращаться в проектирование: например, повторяющаяся неисправность автоматически связывается с конкретной деталью или конфигурацией, после чего система подготавливает данные для инженерного изменения и показывает, какие требования, изделия и производственные процессы будут затронуты. Наиболее реалистична распределённая архитектура: Windchill остаётся главным источником состава изделия и изменений, Creo или Onshape — геометрии, Codebeamer — требований, AVEVA — производственных и эксплуатационных данных, а Cognite связывает их в общую сеть объектов и зависимостей. Над этим слоем работают агенты, физические модели и цифровые двойники. Агент принимает решение по связанному контексту и перед выполнением может проверить последствия через расчёт, моделирование или процесс согласования. Самые сложные задачи здесь — правильное сопоставление объектов, учёт версий и времени, определение главного источника для каждого типа данных, разграничение прав и сохранение оснований каждого решения. Если Schneider удастся решить эти вопросы, получится уже не просто цифровая нить, а единая среда инженерного контекста для управляемых агентов, способных сопровождать изделие от проектирования до эксплуатации и обратно.

Огого Schneider Electric ведёт переговоры о приобретении PTC за $20 млрд. По данным Financial Times, о соглашении могут объявить уже в понедельник. При этом переговоры всё ещё продолжаются, и пока нет уверенности, что сделка будет заключена. Объединение PTC и Aveva дало бы Schneider Electric портфель программного обеспечения, охватывающий проектирование изделий, PLM, производство, управление промышленными операциями, цифровые двойники и управление жизненным циклом оборудования. Кроме того, это значительно усилило бы позиции Schneider на рынках машиностроительного проектирования и дискретного производства. Возможное приобретение происходит на фоне того, как поставщики промышленного ПО всё чаще рассматривают инженерные данные как основу для ИИ и автоматизации. PLM-платформа PTC Windchill хранит структурированные данные об изделиях и их жизненном цикле, а Onshape изначально построен на облачной архитектуре с единой базой данных, а не на традиционной файловой модели CAD. Поэтому для Schneider инженерные данные и контекст изделия, которыми располагает PTC, могут оказаться стратегически не менее важными, чем отдельные приложения компании. Связав данные об изделии и PLM с промышленным и эксплуатационным ПО Aveva, Schneider потенциально сможет создать гораздо более широкий и связный слой данных, охватывающий весь жизненный цикл физических объектов — от проектирования и производства до эксплуатации и технического обслуживания.

Огого Schneider Electric ведёт переговоры о приобретении PTC за $20 млрд. По данным Financial Times, о соглашении могут объявить уже в понедельник. При этом переговоры всё ещё продолжаются, и пока нет уверенности, что сделка будет заключена.

Интересно что NativeCAD - это продукт компании FeatureBoard у которой основной продукт - это таск-трекер, локальный управляющий слой для ИИ-агентов, которые сами ведут разработку: получают задачи, планируют работу, создают ветки/worktree, меняют код, запускают проверки, фиксируют результат и оставляют проверяемый след того, что сделали. Технически продукт построен как MCP-сервер, к которому подключается Claude Code/Cowork, Cursor или другой MCP-клиент. https://featureboard.ai/products/featureboard