BOM Voyage

Открыли доступ к CadXStudio. Текст → CAD → Рендер в браузере. https://cadxstudio.in Сам пока что пробовал, ничего сказать не могу.

И Дугин рассказывающий про Solidworks

Прекуллеры для гиперзвука от LEAP 71 https://leap71.com

Тот же товарищ показывает UPD: Oregon, USA, ясненько.

Китайские товарищи на месте не стоят и вот показывают как прикрутили ИИ к CATIA v5. дада, которая в 98-ом выпущена, 28 лет тому назад.

Просто красивое (с)

Кстати, ожидаю когда-нибудь увидеть производственную площадку где подобные манипуляторы крепятся к потолку, по которому и перемещаются. Не только с гуманоидными торсами, но в перемешку с ними. А пол используется для перемещения материалов, оснастки и т.п. Большой вопрос конечно обслуживаемость того что на потолке, но полагаю вопрос решаемый. - ниши по периметру потолка, "буксиры" для вышедших из строя и т.п.

DARPA опубликовало запрос информации (RFI), цель которого — оценить возможность создания новой исследовательской программы по радикальному совершенствованию промышленной обработки материалов. Речь идет не о разработке новых сплавов или керамик, а о повышении качества и воспроизводимости уже существующих технологий производства литых, прокатных, кованых металлов, массивной керамики и композитов. Сегодня при проектировании ответственных изделий инженеры вынуждены опираться на минимально гарантированные характеристики материалов. Даже если большинство партий оказывается значительно лучше, статистическая изменчивость технологического процесса заставляет закладывать большие запасы прочности или использовать более дорогие материалы. В результате значительная часть потенциальных характеристик материала остается неиспользованной. Современные достижения в области материаловедения, физического моделирования и информатики материалов позволяют отказаться от традиционного подхода, основанного на опыте операторов и технологов. Планируется создать количественные, физически обоснованные модели, способные выявлять влияние тысяч взаимосвязанных факторов — химического состава, температур, режимов прокатки, ковки, термообработки и других параметров — на конечные свойства продукции. Это должно позволить повысить выход годных изделий и улучшить качество без дорогостоящей модернизации производственных линий. Ключевой ресурс для такой программы — многолетние архивы производственных данных крупных предприятий. DARPA ищет производителей, выпускающих более 10 тонн продукции в год, которые готовы предоставить исторические данные о технологических процессах. Особый интерес представляют предприятия металлургии, керамической промышленности и производства композитов. Фактически DARPA хочет создать аналог «цифрового двойника» промышленного технологического процесса, который сможет не только объяснять причины разброса характеристик материалов, но и предсказывать оптимальные режимы производства, превращая накопленный десятилетиями опыт специалистов в формализованную, масштабируемую систему принятия решений. https://sam.gov/workspace/contract/opp/1edfad729e7f4f8480d811f9cbd5f20a/view

И просто забавное видео. Никакого ИИ, никакого смысла, просто редактирование чего-то футуристичного в CATIA

Ещё один стартап, Plamo, преобразование набросков в модели. Waitlist https://illoca.com/plamo

Fable 5 + специализированная тестовая среда (custom harness) для Drawing2CAD в SolidWorks.

Гуманоидный торс компании LimX Dynamics, установленный на промышленный робот-манипулятор KUKA с шестью степенями свободы.

^^ В разработке ПО эта модель уже шагнула ещё дальше, сейчас разработка ведётся по модели loop - цикла, в котором ИИ оркестратор регулярно просматривает очередь задач, что в принципе сейчас может быть сделано, берет из очереди задач, вызывает агента который планирует её имплементацию, разбивает на подзадачи, назначает между ними зависимости, пишет подробный план, если требуется - формирует человеку, либо более дорогой, но умной модели список уточняющих вопросов, запросов необходимых данных (RAG), и т.п., после чего, если имплементация разблокирована, — отправляет созданные подзадачи на реализацию менее дорогим, но более дешёвым моделям, которые имея на руках подробный план реализации, а так же полное описание контекста вполне справляются. После реализации производится ревью, интеграция изменений, интеграционное ревью, запуск релевантных тестов и отправка на публикацию либо на ревью уже человеком - отдельный агент оценивает сложность сделаных правок и решает требуется ли ревью человека. Человек в этой схеме получает очередь вопросов от агентов где надо принять решение, а так же запросов на ревью наиболее рискованых изменений. Все работает автономно 24/7, я уже не помню когда последний раз запускал студию чтобы писать код вручную. Аналогичная система в ближайшие годы будет втягиваться и в другие домены, такие как CAD/PLM. Возникающие сейчас решения, которые я на радость публике публикую тут - это все лишь компоненты такого оркестра в будущем. Собственно я сам, на энтузиазме и наличии глубокой экпертизы как в разработке, так и в CAD/PLM, начал разработку системы в которой этот оркестр будет иметь удобный notion-like "офис", дашборды, центр управления подобными циклами, управление требованиями и контролем качества (QMS), канал создан в связи с этим, разработка требует погружения в контекст. Не думаю что будет с чем-то конкурировать, вместо этого будет интегрироваться с различными PLM системами и решениями создания/запуска ИИ workflow вроде n8n и/или synera. Особый фокус не только на управление и удобный UI, но и на прозрачность, traceability — каждое решение агента сохраняется, пользователи будут явным образом видеть почему сделано то или иное решение, изменение, в каком состоянии были данные (контекст) в этот момент. Все решения не запускаются автоматически, а пропускаться через систему контролирующую допустимость того или иного действия. Крайне важно пройти по начальным граблям с минимальными потерями и заработать доверие пользователей, ведь ну кто будет доверять роботам пока на улицах будет бушевать балтерианский джихад (война с ИИ во вселенной Дюны). А он бушевать будет, даже не сомневайтесь :) Пока будет разрабатываться и шлифоваться ИИ инструменты как раз доведут до продуктовой готовности, сейчас они пока что они на стадии "ну посмотрим дальше", а не то, что можно реально активно применять. Но активно развиваются, многообещающе. * если что - связь через contact@zelanton.net или @zelanton в телеграмме, https://www.linkedin.com/in/anton-zhelezniakou/ в linkedin

Презентация Synera о том, как объединить Autodesk Moldflow с многоагентной AI-системой, чтобы превратить длительный процесс подготовки и анализа литьевых деталей в практически полностью автоматизированный инженерный конвейер. Основная потеря времени в инженерной работе приходится не на сами расчёты, а на передачу файлов между специалистами, переключение между CAD/CAE-приложениями и ручной запуск отдельных этапов анализа. Вместо одного универсального ИИ использовали команду специализированных агентов работа между которым распределялась автоматически. Каждый агент отвечал только за свою область: один анализирует CAD-модель, другой проверяет геометрию, третий выполняет упрощение модели (defeaturing), четвёртый оценивает технологичность изготовления, ещё один управляет расчётами в Moldflow, а управляющий агент координирует их взаимодействие и общается с инженером через обычный чат. Инженер загружает CAD-модель детали, после чего система автоматически: — проверяет корректность геометрии; — удаляет лишние элементы для подготовки расчётной модели; — выполняет анализ технологичности; при необходимости самостоятельно меняет ориентацию детали, чтобы устранить проблемы с поднутрениями; — запускает расчёт оптимального расположения литников в Moldflow; — возвращает результаты моделирования и рекомендации в одном диалоговом интерфейсе. Главная идея в том, что будущее инженерных систем — не в «умном помощнике», который отвечает на вопросы, а в команде специализированных AI-агентов, работающих поверх существующих CAD/CAE/PLM-инструментов. ИИ отвечает за координацию и принятие решений, а точные инженерные результаты получают традиционные проверенные программы через воспроизводимые workflow. Это позволяет совместить преимущества генеративного ИИ с требованиями к надёжности инженерных расчётов.

И в формате видео.

Презентация интерфейса Aras Innovator, в частности модуля управления подготовкой производства: https://app.storylane.io/share/fssbdvqmcb94 ведут по шагам, тыкают носиком, а не просто видео любопытный сервис для создания подобных демонстраций - storylane.io надо будет присмотреться

Смотрите-ка что тут интересного произошло на поле биты ИИ vs ламповый ручной код. Главный во FreeCAD Association, да и вообще просто там главный, сказал что манал всё это и уодит пасти гусей, потому что он теперь опозиция и не признаёт использование AI в разработке. Вот прямо так и сказал: "I see these tools as highly damaging for a FOSS project like FreeCAD. The serious environmental problems, the copyright issues, the ethical issues and most of all, top big tech companies forcing their way into a project that was there to offer people a safe place against them, all of this are things I feel we should protect the project against.". И ведь странно просто взять и сказать, что такой человек включил режим луддита и агрессивно против. Но с другой стороны, про технические проблемы в его тексте особо и нет ничего. Чисто всё на уровне давайте жить дружно и делать мир лучше. https://forum.freecad.org/viewtopic.php?t=106653

CFD-моделирование шума реактивного двигателя на суперкомпьютере с одним миллионом вычислительных ядер Прогнозирование шума реактивного двигателя требует моделирования турбулентных структур потока, возникающих при смешении сверхзвуковой реактивной струи с окружающим воздухом. Высокоточное вычислительное моделирование гидродинамики (CFD) позволяет инженерам исследовать эти сложные процессы ещё до проведения физических испытаний. • 1 572 864 процессорных ядер • Суперкомпьютер IBM Sequoia Blue Gene/Q • Метод моделирования крупных вихрей (Large-Eddy Simulation, LES) • Сверхзвуковая реактивная струя • 1,6 ПБ оперативной памяти Основным источником шума реактивного двигателя является турбулентное перемешивание газов в выхлопной струе. Для корректного воспроизведения турбулентности в широком диапазоне пространственных и временных масштабов требуются колоссальные вычислительные ресурсы. Результаты такого моделирования помогают инженерам создавать более тихие и одновременно более эффективные авиационные двигатели. Это была одна из первых CFD-задач, которую удалось успешно масштабировать более чем на один миллион процессорных ядер. Моделирование выполнено Джозефом Уильямом Николсом (Joseph William Nichols), Центр исследований турбулентности (CTR), Стэнфордский университет.