BOM Voyage

Пример процесса многомерной оптимизации: крыло самолёта одновременно оптимизируется по эффективной площади рассеяния радиолокационного сигнала (ЭПР), аэродинамическому качеству (отношению подъёмной силы к сопротивлению) и величине структурных деформаций. Для этого используются nTop для генерации геометрии, Ansys Electronics Desktop для электромагнитного моделирования и Ansys Discovery для вычислительной гидродинамики (CFD) и конечно-элементного анализа (FEA), а весь процесс координируется с помощью optiSLang. Ключевой момент заключается в том, что nTop при каждой итерации автоматически создаёт новую корректную геометрическую модель в соответствии с набором параметров, предложенным оптимизатором. Не требуется вручную перестраивать модель, не возникают ошибки геометрии между итерациями, и не приходится ждать, пока инженер подготовит очередной вариант конструкции. Именно такая устойчивость процесса позволила автоматически исследовать шестимерное пространство проектных параметров сразу для трёх физических дисциплин. Перед началом оптимизации был выполнен анализ чувствительности, который показал, какие параметры действительно оказывают существенное влияние на результат. На его основе была построена суррогатная модель, позволившая практически мгновенно оценивать компромиссы между аэродинамическим сопротивлением, деформациями конструкции и ЭПР без необходимости каждый раз запускать полный цикл дорогостоящего численного моделирования.

CTO Luminary - калифорнийского стартапа развивающего платформу для Physics AI:

Мы только что выпустили Luminary-SMART — нашу новую передовую архитектуру для больших физических моделей Luminary, которая действительно не зависит от расчётной сетки. Большинство ИИ-моделей для физических задач имеют один и тот же недостаток: они изучают сетку, а не физику. Результаты проверки выглядят отлично, но стоит подать на вход исходную CAD-геометрию или STL-модель с другим разрешением, как прогнозы начинают отклоняться. SMART работает непосредственно с геометрией, поэтому у модели нет сетки, которую она могла бы запомнить, а масштабируется архитектура подобно трансформерам. На наших тестах SHIFT она превзошла все архитектуры, с которыми мы её сравнивали, обучается примерно в три раза быстрее нашей предыдущей лучшей модели и уже используется заказчиками в реальных производственных системах. Это существенный шаг к созданию больших физических моделей, которые способны обобщать полученные знания и сохранять точность в реальных условиях.

https://luminary.ai/resources/luminary-smart-the-new-state-of-the-art-model-architecture-for-large-physics-models/ Их цель — не просто ускорить отдельный CFD-расчёт, а построить полный производственный контур для создания, проверки и эксплуатации суррогатных физических моделей. Такие модели получают новую геометрию и условия работы, после чего за секунды предсказывают поля давления, температуры, скорости, напряжений, деформаций и интегральные характеристики вроде сопротивления или подъёмной силы.

GPT 5.6 Sol вместе с Adam (прим.: это Text-toCAD стартап) спроектировали в Fusion полностью параметрическую антропоморфную кисть с 25 степенями свободы, а затем в реальном времени анимировали движение по всем осям с использованием модели кинематических соединений. Конструкция включает 12 барабанов для намотки сухожилий и 16 приводов QDD (Quasi-Direct Drive — квазипрямого привода). Вся модель является полностью параметрической. На выполнение задачи потребовалось 69 тысяч токенов и около 7 минут. Теперь эта модель используется у нас по умолчанию. Среди протестированных нами моделей для CAD-задач она показала себя как наиболее надёжное и наиболее эффективно расходующее токены решение для повседневной работы.

69 тыс токенов это около 1.2$

Ракета LRHW/CPS в разрезе-при финальной сборке https://x.com/lfx160219/status/2080897663462162855

the coolest graph based slides for a presentation Demo: https://yoheinakajima.github.io/graphcon-deck/ gh: https://github.com/yoheinakajima/graphcon-deck Возможно можно присобачить к PDM для навигации по разным видам BOM (EBOM, MBOM, PBOM, SBOM) - там десятка 2 разных типов срезов составов одних объектов - конструкторский, производственный, плановый, сервисный и так далее. EBOM, MBOM, PBOM, Service BOM, Software BOM, As-built BOM, As-maintained BOM, As-planned BOM, As-designed BOM, CBOM, 150% BOM, Super BOM, 100% BOM, Variant BOM, Sales BOM, Order BOM, Procurement BOM, Supplier BOM, Packaging BOM, Shipping BOM, Installation BOM, Electrical BOM, Electronic BOM, Formula BOM, Recipe BOM

Карта взаимосвязей между CAD системами, лежащими в их основе геометрическими ядрами и компаниями, которым они принадлежат. https://www.cadmap.io (Не полная, но всё равно)

Однако какой интерфейс! пока что только waitlist https://finitesystems.com/

Приз за самый забавный нейминг в нашем домене уходит к американскому стартапу Джига! Jiga — это AI-платформа для размещения заказов на изготовление деталей, которая соединяет инженеров и отделы закупок напрямую с проверенными производителями. Основная идея компании — отказаться от модели «черного ящика», когда посредник скрывает реального изготовителя, и вместо этого дать заказчику возможность напрямую общаться с заводом или мастерской. Умеет: — загрузка CAD-моделей, чертежей и спецификаций; автоматическое извлечение требований с помощью ИИ; подбор наиболее подходящих производителей; — получение и сравнение коммерческих предложений; — единое пространство для переписки между инженерами и производством; — отслеживание выполнения заказа и логистики; — работа от прототипов до серийного производства. Поддерживаемые технологии производства: — CNC-фрезерование и токарную обработку; листовой металл; — 3D-печать (FDM, SLA, SLS, MJF, SLM и др.); — литье пластмасс под давлением; — дополнительные процессы (сварка, покрытия, термообработка и т.п.). ИИ используется для автоматизации закупочного процесса: — анализирует RFQ и инженерную документацию; извлекает параметры деталей; — сопоставляет заказ с производителями по возможностям, загрузке и истории качества; — отслеживает задержки, отсутствие документов и другие риски; — автоматизирует переписку и административные операции, оставляя принятие инженерных решений людям. То есть это скорее AI-native Source-to-Manufacturing платформа, чем классический маркетплейс. Неплохая архитектура решения: — AI как координатор процессов, а не только чат-ассистент. — Единая объектная модель (деталь → RFQ → поставщик → заказ → поставка). — Автоматическое извлечение данных из инженерных документов. — Структурированная история коммуникаций. — Выявление рисков и отклонений в процессе исполнения. — Постоянный контроль со стороны ИИ при сохранении принятия решений за человеком Конкуренты: Xometry, Protolabs — делают ставку на мгновенное ценообразование и часто скрывают производителя. ————— Но нейминг! Кстати весьма созвучно с Джира (Jira), если вы знаете толк в подобном.

В комментариях уже обращали внимание на то, что слово «ИИ» иногда используется как базворд там, где речь фактически идёт о традиционных методах оптимизации, например о градиентном спуске. Поэтому здесь важно уточнить несколько моментов. 1. Речь не идёт о выборе между ИИ и классическими методами оптимизации. Градиентные и другие численные методы остаются эффективными там, где можно формализовать целевую функцию, задать ограничения и вычислить либо оценить влияние изменения параметров на результат. Однако при многокритериальной оптимизации сложных конструкций этого часто недостаточно. Такие критерии, как технологичность изготовления, надёжность, ремонтопригодность, стоимость или устойчивость к изменению условий эксплуатации, трудно свести к одной гладкой функции. Кроме того, изменение одного из них может потребовать не локальной корректировки параметров, а существенной перестройки самой конструкции. В таких задачах традиционно необходимы экспертная оценка, выбор новых вариантов и интерпретация промежуточных результатов. Часть этой работы теперь может выполнять специализированная система на основе ИИ. ИИ в таких системах не заменяет расчётные методы, а управляет их применением. Он может предлагать изменения конструкции, выбирать параметры для следующей итерации, запускать расчёты и интерпретировать их результаты. Проверка прочности, тепловых режимов, аэродинамики и других физических характеристик по-прежнему выполняется специализированными расчётными моделями. Особенно полезен ИИ в пространствах решений, содержащих дискретные и структурные изменения. Градиентные методы хорошо работают при непрерывном изменении размеров и других числовых параметров, но плохо применимы, когда требуется изменить топологию конструкции, число компонентов, материал, производственный процесс или принцип работы системы. ИИ может генерировать и сравнивать варианты, существенно отличающиеся друг от друга по структуре. 2. Модель, обученная на релевантных конструкциях, расчётах и результатах испытаний, может оценивать перспективные области пространства решений, предлагать варианты и отбрасывать заведомо слабые направления до проведения дорогостоящего моделирования. Такие прогнозы не являются окончательным результатом и не должны приниматься автоматически: их необходимо уточнять и проверять с помощью расчётов, симуляций, прототипирования и испытаний. Однако грамотное применение ИИ способно существенно сократить число итераций и общую продолжительность цикла оптимизации. 3. ИИ может тестировать варианты, которые человек даже не будет рассматривать — они изначально выглядят как "сумашедшие", но на самом деле могут оказаться оптимальными. Примеры подобного по ссылке ниже. ИИ часто вворачивается не к месту и раздражение по этому поводу понятно, однако лучше всё же не делать из этого вывод что любое упоминание ИИ является таковым, разбираться по сути где и как реально применимо, а где кто-то просто ездит по ушам. Хороший пример подобного для проектировании радиочастотных интегральных схем можно увидеть здесь https://t.me/BOM_Voyage/42 он хорошо передаёт идею в первом приближении

CEO Boom supersonic (американский стартап производящий коммерческий сверхзвуковой борт) хвастается

Эксперты: реактивные двигатели настолько сложны, что производить их могут лишь несколько гигантских компаний. Команда Boom:

* Кстати они производят собственные монокристаллические полые лопатки турбины высокого давления с активным охлаждением.

В коллекции open-source пополнение

Cadex — это CAD-приложение, изначально созданное вокруг ИИ. Вы описываете деталь естественным языком, а ИИ создает декларативную программу на Python, называемую xscript. Эта программа выполняется в изолированной бессерверной среде, и только проверенная геометрия попадает в вашу модель. Сам скрипт и является моделью. Его параметры автоматически становятся доступными в виде ползунков, которые можно изменять вручную без повторного обращения к ИИ. При этом модель в любой момент может быть полностью перестроена по этому скрипту.

https://github.com/theo-kirby/cadex

Шел июль 2026 года. Salesforce пишет в блоге аргументы против создания собственных CRM. https://www.salesforce.com/blog/build-vs-buy-crm/ Они уже прошли стадию, когда проблему можно не замечать и игнорировать. И эта стадия ждет и поставщиков PLM/PDM/CAPP решений — ИИ сделал разработку очень дешёвой и быстрой, многие решения которые писались годами могут быть повторены за месяцы. Причем если повторять будет конечный пользователь, то он напишет именно то что нужно конкретно ему, избавившись от шума ненужной ему функциональности и компромиссов универсальных решений. Прежняя логика Buy vs Build в ближайшие годы будет поставлена под сомнение. Очевидно что поставщикам таким решений это смещение баланса "щита и меча" лучше проходить не только лишь в обороне, а используя преимущества "меча" — агрессивно расширяя продуктовую линейку, развивая предложение, персонализируя, адаптируя под заказчиков индивидуально (открывая дополнительные возможности такой адаптации). Пассивная оборона и медлительность в таких условиях обречена на поражение. Правда это требует использования в разработке ИИ, а когда это станет совсем очевидным - уже будет поздно.

^^ Кстати любопытный момент на видео - "To factory, for End-to-End feedback" Видимо организация обратной связи от производства, логистики, снабжения, обслуживания и конечных пользователей одна из ключевых фишек их решения. Этакий модуль "конструкторско-производственный CRM". То, чего явно не хватает примерно всем. [В блокнотик]

Промо-видео Anduril ArsenalOS

Приём открыт до 3-его августа https://www.altium.com/education/scholarships

Поскольку вопрос возникает в комментариях уже не в первый раз поясню отдельным постом в чём прелести nTop и чем он не является. nTop отличается от обычных параметрических CAD не наличием кнопки «сделать размер переменным», а используемой моделью геометрии и способом управления ею. Геометрическое ядро основано на знаковых функциях расстояния, а не только на традиционном граничном представлении из граней и рёбер. Это позволяет работать с очень сложной геометрией, огромными решётками, каналами, пористыми структурами и результатами топологической оптимизации, которые становятся практически неуправляемыми в обычном B-Rep CAD. Например геометрические параметры могут зависеть не только от одного числа, но и от пространственного поля. Толщина решётки меняется в зависимости от напряжений, размер ячейки зависит от расстояния до поверхности, диаметр каналов определяется температурным полем, локальная структура ориентируется по направлению теплового потока, геометрия адаптируется к данным расчёта или требованиям производства. Это более профессиональный инструмент, разработчики ставят цель поднять потолок, а не сделать более удобными базовые сценарии, это их осознанная стратегия. nTop принципиально отличается от обычного CAD неявной геометрией, полевым управлением, вычислительными блоками, автоматизацией и возможностью обрабатывать геометрию очень высокой сложности. Однако основной интерес они представляют даже не этим, а тем насколько активно их топ-менеджеры развивают сообщество подобных стартапов интегрируя их в экосистему. Они просто выпрыгивают из штанов по этой части, они не старики в НИИ и засидевшиеся на теплых местах в состоявшихся компаниях, а молодые и рвущие жилы, и, что особенно важно, - делают это в открытую, что позволяет имея подписку на них видеть следы этой коммуникации и находит всё больше технологических компаний, видеть как они интегрируются и гармонизируются. И учитывая этот настоящий шквал активности думаю что именно они станут ядром следующего поколения систем, выстроив вокруг себя инфраструктуру таких компаний, а не пытаясь реализовать всё сами, как некоторые сейчас. А мы можем это наблюдать и конспектировать происходящее, учиться по ходу дела. К посту приложено видео в котором демонстрируется именно оптимизация связанная с пространственным полем параметров. Field-Driven Design.