Simonssb/qwen2.5-coder-32b-pcb-grpo
ИИ-архитектор печатных плат для KiCad
2 min readupdated
Эта модель представляет собой LoRA-адаптер (небольшую надстройку для дообучения) поверх мощной кодовой нейросети Qwen2.5-Coder-32B-Instruct от автора Simonssb. Она работает как планировщик архитектуры и стратег трассировки печатных плат (PCB) в связке с инструментом KiCadRoutingTools. На вход нейросеть получает компактную сводку списка цепей (netlist) и геометрии посадочных мест в формате board_context.md, а на выходе генерирует два структурированных JSON-файла с разбивкой компонентов на функциональные группы и правилами разводки дорожек. В отличие от обычных языковых моделей, адаптер прошёл через двухэтапное обучение, включая GRPO с проверкой на реальной физике разводки, благодаря чему уверенно справляется даже со сложными платами на базе ESP32, USB-C и чипов в корпусах LQFP-48 с шагом 0.5 мм. Инструмент пригодится инженерам-схемотехникам и разработчикам электроники, желающим автоматизировать размещение деталей и автотрассировку в KiCad.
Ключевые особенности
- Функциональное группирование (
groups.json): разбивает компоненты по принципу «одна микросхема на группу» (core,power,interface), выбирает якорные элементы и задаёт подсказки по соседству (near). - Стратегия трассировки (
routing_strategy.json): определяет полигоны земли, правила защиты от электромагнитных помех (EMI), ширину силовых дорожек, шинную разводку и резервирование каналов для автотрассировщика. - Обучение через GRPO с проверкой физики: после базового SFT-дообучения модель дотренировали с оценкой по 19-балльной шкале качества железа (учитывается отсутствие
via-in-pad, длина горячих петель и 100% связность цепей). - Высокая надёжность вывода: на слепой валидации из 10 незнакомых плат модель выдала 100% валидных JSON-схем и добилась нулевого числа блокировок при разводке.
Что можно сделать
- Автоматизировать подготовку к трассировке в KiCad: подключить модель в пайплайн с Rust-автотрассировщиком
drandyhaas/KiCadRoutingToolsдля детерминированного размещения компонентов и разводки. - Снизить число переходных отверстий и длину меди: использовать сгенерированные стратегии для оптимизации сложных многокомпонентных плат (на 80–100+ подвижных элементов) без ошибок DRC.
Пример
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
from peft import PeftModel
base_id = "Qwen/Qwen2.5-Coder-32B-Instruct"
adapter_id = "Simonssb/qwen2.5-coder-32b-pcb-grpo"
tokenizer = AutoTokenizer.from_pretrained(adapter_id)
base_model = AutoModelForCausalLM.from_pretrained(base_id, torch_dtype=torch.bfloat16, device_map="auto")
model = PeftModel.from_pretrained(base_model, adapter_id)
Подробнее
Бенчмарк HydroPCB (~84–104 элемента): 0 неподключённых цепей, 0 blocking и 77 переходных отверстий (vias) против 112 у человека.Бенчмарк AI_Hydro_Controller: 0 ошибок KiCad DRC, 91 via и 1741.31 мм меди против 129 vias и 2378.91 мм в эталонной ручной разводке.
Обучение: LoRA (r=32, alpha=64) на датасете из 254 проверенных плат KiCad (max_seq_length=16384), загрузка в bfloat16 требует около 64+ ГБ VRAM.










Comments