BOM Voyage

^^ Так вот, к чему это — завтра они вебинар проводят https://us06web.zoom.us/webinar/register/WN_mX3OIfZtTBKNMIdt-pv4Ig#/registration Многоразовая ракетная система SpaceX или репликатор из Star Trek — люди давно представляют технологии, позволяющие создавать всё более сложные физические системы. Однако на практике одним из ограничений остаётся системная инженерия, которую трудно масштабировать на большие команды людей и ИИ-агентов. Вебинар посвящён тому, как сочетание ИИ, SysML v2 и Git может сделать системную разработку более гибкой и итеративной, сохраняя работу между разными инструментами, организациями и контурами безопасности. На примере платформы SysGit покажут применение подходов Git к разработке системных моделей: управление версиями и изменениями, требованиями, MBSE и архитектурой, автоматизацию системной инженерии и симуляцию. Также будут продемонстрированы интеграция ИИ с SysML v2 через MCP-сервер и REST API. Основная презентация займёт около 30 минут, после чего предусмотрена сессия вопросов и ответов. Интересующимся управлениями требованиями. Хотя мне кажется что их подход ограничивает систему и переусложняет её, можно проще. Но посмотрим, может я чего-то не понимаю. В конце концов их реально SpaceX использует.

SysGit — платформа для системного проектирования (MBSE), построенная вокруг идеи «Hardware as Code»: требования и архитектура изделия описываются как формальная модель и хранятся в Git почти как исходный код. Такой подход особенно оправдан при разработке сложных изделий в организациях с формализованными процессами, где множество подсистем, требований и команд должны согласованно развиваться годами. Это уровень выше CAD: модель описывает не геометрию деталей, а систему целиком — её подсистемы, функции, интерфейсы, параметры, требования и проверки. Например, требование к аварийному питанию связывается с аккумулятором, потребителями и тестом, подтверждающим его выполнение. Модель хранится в текстовых файлах SysML v2, поэтому к ней применим привычный процесс разработки ПО: commit фиксирует изменение, branch позволяет прорабатывать альтернативный вариант, pull request — проводить ревью, а diff и merge — сравнивать и объединять изменения. Из текста SysGit автоматически строит диаграммы, поэтому код и графика остаются двумя представлениями одной модели. Получается процесс "Requirements → System Model → Git → Review → Validation", где CI может автоматически проверять целостность модели и выполнение формальных правил. Такое представление удобно и для AI-агентов, которые могут анализировать зависимости, предлагать изменения и проверять результат. SysML v2 — новое поколение стандартного языка системного моделирования SysML. В отличие от ориентированного прежде всего на диаграммы SysML v1, он был фактически разработан заново и получил полноценное текстовое представление, формальную семантику и стандартный API. На нём можно описывать структуру и поведение системы, требования, интерфейсы, параметры и проверки вместе со связями между ними. Благодаря этому системная модель становится машиночитаемым артефактом, который можно версионировать, автоматически анализировать и передавать между инструментами. Именно на этом SysGit строит подход, превращающий системное проектирование в процесс, во многом похожий на современную разработку ПО.

Ansys SimAI — система, заменяющая тысячи повторных CFD- и FEA-расчётов быстрой моделью машинного обучения. Она обучается на уже рассчитанных конструкциях, используя геометрию, условия и результаты моделирования, а затем за секунды или минуты прогнозирует для новых форм давление, скорость потока, напряжения, температуры и другие величины вместо запуска полноценного CAE-солвера. В отличие от обычных суррогатных моделей, SimAI работает непосредственно с геометрией, без фиксированного набора CAD-параметров, и допускает значительные изменения формы и топологии. Система предсказывает не только интегральные показатели вроде аэродинамического сопротивления, но и физические поля на поверхности или в объёме. Для этого глубокое обучение и неявное нейронное представление описывают поле как функцию координат, не привязанную к исходной расчётной сетке. Сначала сотни или тысячи вариантов рассчитываются обычным CAE и образуют обучающий набор. Затем SimAI быстро проверяет тысячи новых конструкций: оптимизатор или ИИ-агент генерирует геометрию, модель оценивает её физику, плохие варианты отбрасываются, а лучшие развиваются дальше. Только финальные кандидаты отправляются на точный CAE-расчёт. Оценка уверенности позволяет выявлять конструкции, слишком отличающиеся от обучающих данных. SimAI не заменяет физические солверы: CAE остаётся источником обучающих данных и окончательной проверки, а машинное обучение ускоряет массовое исследование вариантов. Особенно это полезно для генеративного проектирования и многокритериальной оптимизации, формируя цикл «генерация конструкции → быстрое предсказание физики → оптимизация → точная CAE-проверка». https://ansyshelp.ansys.com/public/account/secured?returnurl=/Views/Secured/SimAI/v000/en/SimAI_ug/SimAI_ug/C_UG_SAI_overview.html

https://www.amazon.de/Building-Agents-Engineers-Practices-Development/dp/1569905622 От ведущих инженеров Synera В отличие от автоматизации на основе правил, которая выполняет повторяющиеся задачи по заранее заданным инструкциям, ИИ-агенты действуют автономно и способны принимать решения в сложных и динамически меняющихся ситуациях. Эта книга показывает, как создавать ИИ-агентов для разработки продукции, прежде всего аппаратных изделий. Она предназначена для инженеров-разработчиков, конструкторов и руководителей инженерных подразделений. Рассматриваются основные принципы и архитектуры агентных систем, фреймворки и шаблоны проектирования агентов, а также их интеграция с CAx-, PLM- и ERP-системами. Отдельное внимание уделяется управлению такими системами, управлению изменениями, распределению ответственности и тому, как применение агентов может изменить организацию разработки продукции в будущем. Шаг за шагом показывается создание ИИ-агентов с помощью low-code-платформ, включая переход к многоагентным системам, где несколько агентов взаимодействуют для достижения общих или индивидуальных целей. Описываются критерии выбора пилотных проектов и основные этапы их внедрения. Практические примеры охватывают автомобильную промышленность, производство потребительских товаров и инженерные услуги, включая опыт NASA, Miele, IMS Gear и ARRK Engineering. Они показывают, как ИИ-агенты могут снижать затраты на разработку и сокращать время вывода продукции на рынок.

Прочитав эту статью осознал, что после написания многомашинного оркестра, памяти (причём со слоями векторов и графа), межагентного взаимодействия и собственного харнесса (все в работе, уже почти готово) буду писать систему управления доверием и консенсусом. Ну слава богу, а то я уже думал чем бы заняться (нет). Хотя в принципе эта мысль уже итак формировалась на периферии моего внимания, статья ускорила. Описанные в статье эффекты я действительно наблюдал, но причину не устанавливал списывая на более простые объяснения. Anthropic: patterns and problems in emerging multiagent systems Краткое содержание на русском: Многоагентные системы позволяют масштабировать ИИ: вместо одного агента работает группа, которая делит задачи, обменивается результатами и использует общие инструменты. Это действительно ускоряет работу, если задача хорошо распараллеливается, но одновременно создаёт отдельный класс проблем, связанных уже не с качеством отдельных моделей, а с координацией между ними. При независимых задачах агенты могут специализироваться и исследовать пространство решений параллельно. Но при совместной работе с одним репозиторием или инфраструктурой быстро возникают конфликты изменений, дублирование и незавершённая работа. Более сильные модели частично избегают этого, самостоятельно разделяя рабочее пространство, однако ни фиксированные роли, ни центральный управляющий агент проблему полностью не решают. Дополнительный риск создаёт высокая корреляция поведения: экземпляры одной модели с похожим контекстом часто независимо выбирают одинаковые стратегии. Поэтому локальная ошибка может стать системной — например, множество агентов одновременно перегружает очередь запросами или одинаково оптимизирует локальную цель во вред всей системе. Даже конкурирующие агенты способны прийти к согласованному поведению без прямого общения, просто одинаково интерпретируя доступные данные. С доверием возникает похожая проблема. Нельзя просто принимать мнение большинства: единственный агент может обладать критически важной информацией, тогда как остальные ошибаются. Поэтому требуется учитывать происхождение данных, историю надёжности источника и независимость свидетельств. При конфликтующих целях ситуация усложняется ещё сильнее: агенты могут останавливать чужие процессы, блокировать ресурсы или защищать собственную работу. Более развитые модели иногда способны договориться, но более высокий интеллект может сделать не только сотрудничество, но и конкуренцию эффективнее. Многоагентная система — это не просто «запустить больше умных моделей». Возникает отдельный уровень сложности, похожий на устройство общества или организации: нужны правила распределения ресурсов, механизмы разрешения конфликтов, репутация, способы проверки информации, протоколы коммуникации и возможность передать спор человеку. Человеческие организации выработали такие механизмы за тысячи лет, тогда как AI-агенты получают знания о них из текста, но не обязательно автоматически начинают вести себя в соответствии с ними. Поэтому повышение интеллекта отдельных моделей само по себе не решает проблему координации: для больших агентных систем потребуется фактически создавать новые «социальные институты» и инфраструктуру взаимодействия, рассчитанные уже не на людей, а на программных агентов.

Старое, но всё такое же прекрасное обучающее видео оптимизации в Altair (их скушал Siemens) Inspire конструкции дрона из игры Command & Conquer, с печатью и запуском реально летающего результата. https://web.altair.com/academic-hub-inspire

Cognitive Design Systems разрабатывает систему оптимизации конструкции механических деталей. Инженер задаёт точки крепления, нагрузки, допустимую массу, материал, способ производства и другие ограничения, после чего система создаёт множество вариантов, рассчитывает их и сравнивает по прочности, массе, стоимости и другим показателям. Производственные ограничения учитываются сразу. Система может принимать во внимание доступ фрезы к поверхности, извлечение отливки из формы или особенности 3D-печати, поэтому ищет не просто оптимальную, а реально изготавливаемую конструкцию. Для генерации геометрии используется собственный движок на основе implicit modeling — неявного моделирования. В отличие от традиционного CAD с поверхностями и рёбрами, форма задаётся математически, что упрощает автоматическое создание и перестроение сотен и тысяч вариантов. Выбранный результат затем можно преобразовать в обычную CAD-геометрию. Ещё одна важная часть — Reusable Workflows, повторно используемые сценарии проектирования. Можно один раз задать последовательность: построить исходную геометрию, сгенерировать варианты, оптимизировать их под нагрузки, применить производственные ограничения, выполнить расчёты и сравнить результаты. Затем тот же процесс используется для похожих деталей и автоматически перезапускается при изменении исходных параметров. По концепции Cognitive Design близок к Synera, Altair Inspire, Ansys Discovery и nTop, но объединяет implicit geometry, многокритериальную генеративную оптимизацию, CAE и ограничения производства в единый цикл. Это скорее система автоматического поиска конструкции, чем универсальный CAD: окончательную модель предполагается доводить в CATIA, NX, Creo или SolidWorks. ИИ не заменяет геометрический движок или физический расчёт, а дополняет более детерминированный процесс: генерация → физическая проверка → производственные ограничения → оптимизация. Так что их подход ближе к практической автоматизации проектирования, чем к идее «LLM по текстовому запросу генерирует CAD-модель». https://www.cognitive-design-systems.com

Отчет об успехе в запуске цикла автоматического улучшения AI-агента для работы с CAD. Агент генерирует большой набор разнообразных заданий, выполняет их, автоматически проверяет полученные модели, анализирует ошибки и пытается их исправлять. Человек в основном контролирует прогресс и вмешивается, когда улучшения замедляются. В результате получается непрерывный цикл «задание → построение модели → проверка → исправление → повторный тест», позволяющий постепенно научить систему справляться даже с короткими и неточными запросами пользователей. https://www.linkedin.com/posts/burhop_last-night-i-set-up-codex-to-work-on-a-few-share-7493729478917910528-RbGQ/ И график роста успешности итераций

Danish Bricks Builder — веб-среда для работы с виртуальными LEGO-подобными конструкциями. Интересен ML анализом того, как детали соединяются друг с другом. По сути, это попытка превратить LEGO-конструкцию из просто набора 3D-координат в семантическую модель сборки: какие детали могут соединяться, каким способом, где находятся точки сопряжения, какие соединения физически допустимы и как последовательность таких соединений превращается в инструкцию сборки. Это уже довольно близко к задачам CAD: вместо «кубик находится в координатах X,Y,Z» система пытается оперировать отношениями вроде «эта деталь закреплена на этой поверхности другой детали». Отдельно интересна исследовательская инфраструктура: собирается корпус существующих конструкций, извлекается словарь типов соединений, анализируются отсутствующие случаи, а затем разные стадии пытаются классифицировать и семантически интерпретировать соединения и сопоставлять их со сборочными шагами. То есть LEGO используется как сравнительно простой дискретный мир для экспериментов с пониманием конструкции и автоматическим построением процесса сборки. https://www.danishbricksbuilder.com/anatomy Код к сожалению пока что закрыт.

Статья расскрывающая детали реализации архитектуры модели Luminary-SMART. Physics AI позволяет заменить множество повторных CFD- и FEA-расчётов нейросетью: обучившись на полноценных симуляциях, она за секунды предсказывает давление, температуру, скорости, напряжения, силы и моменты для новой геометрии. Однако у таких моделей есть проблема: при обучении они часто видят расчётную сетку, которая сама содержит подсказки о физике — например, сгущается около пограничных слоёв и ударных волн. В результате модель может частично запоминать особенности сетки вместо связи между геометрией и физическими процессами. На тестах это работает хорошо, но при переходе к обычной CAD-геометрии точность снижается. Архитектура SMART устраняет эту зависимость: поверхность детали представляется облаком точек, из которого модель строит компактное представление геометрии. Точки при этом перевыбираются, чтобы нейросеть не привязывалась к конкретной дискретизации. После обучения физические величины можно получать в произвольных координатах и с нужной детализацией — от быстрого приближённого результата до миллионов точек. Таким образом, модель учится зависимости «геометрия + условия → физическое поведение», а не особенностям подготовки расчётной сетки. Подход применим к аэродинамике, внутренним течениям, теплообмену, прочности и другим задачам. Наиболее заметное улучшение проявляется в практически важных величинах — силах, моментах и других результатах расчёта, при этом модель быстрее обучается и выполняет прогнозы. В перспективе для многих итераций длинную цепочку «CAD → сетка → численный решатель → результат» можно заменить на «CAD + условия → обученная физическая модель → результат», сохранив полноценные CFD/FEA-расчёты для обучения, проверки и наиболее ответственных вариантов. https://luminary.ai/resources/luminary-smart-the-new-state-of-the-art-model-architecture-for-large-physics-models/

Ну и раз уж мы про Aras, вот ещё одна из демонстрация У большинства производственных компаний накоплено много данных о продукции. Настоящая проблема — объединить разрозненные данные в целостное и удобное для работы представление. Джонни Моруп рассказывает, как Aras Manufacturing Process Planning управляет технологическими процессами, производственными спецификациями (MBOM), последовательностями операций и рабочими инструкциями, помогая синхронизировать производство с изменениями конструкции изделия. https://app.storylane.io/share/fssbdvqmcb94 Достаточно неплохой у них UI

^^ Кстати, у Aras Innovator такая же модель данных как у белорусского IPS (Интермех) - всё сводится к универсальной связке Объект-Связь-Атрибуты. И это прекрасный фундамент для построения RAG - другим системам приходится в реализации RAG собирать виртуальный граф знаний из разрозненной гетерогенной информации, а у них всё уже хранится готовым, не хватает лишь семантических индексов и желания. А в будущем — событийной модели, агентам для автономной работы нужны события системы.

Aras AI Agent — это ИИ-помощник, встроенный прямо в PLM-систему Aras Innovator. Позволяет пользователю мог просто описать обычным языком, что ему нужно сделать. Агент понимает контекст — например, с каким объектом сейчас работает инженер, — и знает структуру конкретной установки Aras: типы объектов, их свойства и схему базы данных. Используется RAG: агент ищет нужную информацию в данных компании, а семантический поиск помогает сопоставить запрос пользователя с корпоративной базой знаний. Перед выполнением действий результат дополнительно проверяется по реальной схеме Aras, чтобы снизить вероятность ошибок и выдуманных ИИ сущностей или свойств. Потенциально опасные операции помечаются заранее, для ответов показывается уровень уверенности, а взаимодействия записываются в журнал. Интеграция выполнена напрямую с Aras, без MCP, при этом данные остаются внутри инфраструктуры компании. В более широком смысле Aras пытается сместить PLM от «system of record», где информация главным образом хранится, к «system of action», где система сама способна обнаруживать зависимости, предлагать действия и участвовать в процессах. Однако пока что агент ориентирован прежде всего на задачи администрирования: поиск и исправление проблем конфигурации, выполнение типовых операций и помощь менее опытным пользователям. Следующий этап — помощник для разработчиков, который сможет автоматизировать создание методов, типовые процессы разработки и развертывание изменений. А в итоге взаимодействие с интерфейсом можно будет полностью вести через диалог с системой: человек формулирует намерение, а агент сам разбирается, какие объекты и операции Aras для этого нужны. Это не workflow-ы для выполнения агентами CAD/CAE/MPM операций, а скорее готовность самого пользовательского интерфейса PLM - не ключевой, но необходимый этап трансформации в ИИ-нативную систему.

Google-табличка со списком и краткой характеристикой вроде бы всех существующих ИИ CAD бенчмарков https://docs.google.com/spreadsheets/u/0/d/1cZUDhLu_1uHMQ2JqJUG6FTULl54zVwskRhgI4pWCjEo/htmlview?pli=1

Власти подгоняют внедрение ИИ в САПР для микроэлектроники Искусственный интеллект приходит в российские САПР для микроэлектроники уже в 2029 г. — Минпромторг запускает три ОКР по внедрению ИИ в цифровое... подробнее на CNews

ИИ-генерация сборочных инструкций в Solidworks Вот собственно готовый сценарий автоматизации - после утверждения сбоки автоматически без участия человека генерируются инструкции, сохраняются в PLM с привязкой к изделию, и отправляются на контроль и уточнение по маршруту.

Термодинамические вычисления предлагают необычный взгляд на устройство компьютера: вместо того чтобы бороться с тепловым шумом и заставлять каждый бит надёжно хранить 0 или 1, шум можно превратить в часть вычислительного процесса. Основным элементом становится вероятностный бит — p-bit, который постоянно переключается между состояниями. Если связать множество таких элементов определённым образом, система начинает чаще принимать состояния с меньшей «энергией». Если полезные решения заранее представить как низкоэнергетические состояния, физика сама помогает искать их среди огромного числа вариантов. Особенно хорошо этот принцип подходит для задач, где нужно исследовать большое пространство возможностей: комбинаторной оптимизации, молекулярного моделирования, биоинформатики и генеративного ИИ. Обычный процессор сначала расходует энергию на надёжные детерминированные вычисления, а затем программно создаёт необходимую случайность. Термодинамический процессор пытается сразу выполнять вероятностное вычисление физически. Это не квантовый компьютер: здесь нет кубитов и квантовой когерентности — используются обычная электроника, статистическая физика и естественные флуктуации. Для программирования таких систем создана открытая библиотека THRML — Thermodynamic Hypergraphical Model Library. Она позволяет представить задачу как набор переменных, связей, ограничений и функции энергии. Например, при оптимизации кодонов разные варианты мРНК превращаются в энергетическую модель, где более подходящим последовательностям соответствует меньшая энергия. Пока THRML работает поверх JAX и позволяет моделировать такие вычисления на GPU, то есть алгоритмы для будущих термодинамических процессоров можно разрабатывать уже сегодня. За THRML стоит американский стартап Extropic, основанный в 2022 году. Компания разрабатывает Thermodynamic Sampling Units — TSU, в которых большие сети p-bit должны выполнять вероятностный sampling непосредственно на уровне электроники. Первый экспериментальный чип X0 подтвердил работоспособность принципа, а следующим этапом стал значительно более масштабный Z1. Extropic фактически пытается создать новый вычислительный примитив: CPU выполняет инструкции, GPU — массивы параллельных арифметических операций, а TSU непосредственно генерирует состояния из заданного распределения вероятностей. Теперь проект выходит и на промышленный уровень. Extropic подписала с Министерством торговли США необязывающее соглашение о намерениях, предусматривающее до $75 млн финансирования в рамках программы CHIPS R&D. Средства предполагается направить на запуск первых крупных кластеров TSU и подготовку следующего чипа Z1.5 к производству на американской фабрике. Компания рассчитывает таким образом создать в США первую производственную базу для термодинамических вычислений и снизить зависимость от зарубежных передовых фабрик. Целевые применения включают энергоэффективный ИИ на периферийных устройствах, автономные системы, оборонные задачи и биологические вычисления. Таким образом, Extropic строит не просто необычный процессор, а полный стек: от физики вероятностных элементов и специализированных чипов до THRML и инструментов программирования. Главный вопрос теперь в том, удастся ли масштабировать эту архитектуру и перенести на неё достаточно широкий класс практических алгоритмов. Если получится, термодинамические процессоры могут занять собственную нишу рядом с CPU и GPU — прежде всего там, где основная вычислительная работа по своей природе вероятностная. Библиотека THRML: документация THRML⁠ Репозиторий: THRML на GitHub⁠ Стартап Extropic: официальный сайт Extropic⁠ Дополнительно про термодинамические вычисления: https://t.me/gonzo_ML/5922

Запись: https://www.youtube.com/live/d7o7Lc6GcDg

В невесомости топливо не оседает на дне бака, поэтому при орбитальной дозаправке важно понимать, окажется ли оно у заборного отверстия двигателя. В FLOW-3D моделируется бак с внутренними перегородками: входящая струя ударяется о стенку и растекается, а поведение жидкости определяется главным образом инерцией и поверхностным натяжением. Такие CFD-расчёты позволяют проверить, будет ли топливо оставаться доступным для двигателя при дозаправке и манёврах в микрогравитации. https://www.flow3d.com/industries/aerospace/