Ако бяха направили така пистите нямаше да са толкова накъдрени. Това е характеристика на самообучаваща се система. Дали са и достъп до примитивите на рутера и са я оставили да чертае и да смята докато докара краен резултат. Това е Reinforcement Learning и е универсален подход, не е ограничен до LLM. Самата архитектурата на невронната мрежа е без значение, аз съм сигурен, че не използват transformer, а нещо много по-стандартно.

Не съм и отделял много време да гледам всички къдрички, но подхода е като на човек който го прави за първи път, т.е. учи се и не е наясно какво може и какво не може да прави. Къдренето и на мен ми прилича на резултат от процес на самообучение и корекции, и точно тук ми се струва им е голямата дупка. Според мен трябва да се зададат норми в които да се само обучава, може и да греша но да го оставиш да цикли върху очевидно грешни решения е загуба на време и пари, а и не вярвам да е много благоприятно и за самия процес на обучение. И след като гледах интервю с техния ЕЕ ми се струва те просто нямат експертизата а не че нарочно са го оставили да цикли всички възможни решения.

никъде ня бях чел, че LLM ( Large Language Model ) може да рисува и свири

Най-лесно става с примери. Обаче явно нямат достъп до такива. Аз им се чудя при 40 милиона защо не дадат по няколко стотин хиляди на някой друг производител на платки да им ги даде. Аз лично, макар и аз да имам малко опит, бих почнал с хибриден подход. Първо supervised learning, после reinforcement learning. Като за второто бих платил една торба пари на експерт по рутиране да ми дефинира награда/наказание фуннкцията. Защото това е реално което ще направи или провали експеримента. Останалото е ясна работа .

Ммм т.е. по-удачно е не да му слагаш ограничения директно, като Мин радиус и размер на меандъра, а да го правиш през награда/наказание ?

Да, идеята е както пише Миро да му разшириш полето на действие с цел да се научи да се възползва от определени зависимости. Примерно, може да ти нацвъка няколко на пръв поглед излишни вии ако по този начин успее да ти намали броя на слоеве с едно. Или да ти накъдри пистата по странен начин за да я балансира ако с това направи възможна някаква голяма странна маса, която да ти подобри SI. В тубата има видеа на SOTA 2 игрите на OpenAI Five и Go игрите на AlphaGo. На моменти има абсурдни ходове, които са сложни да се интерпретират, но най-вероятно допринасят за някаква край-до-край стратегия, която успешно води до крайната цел.

Това е някакъв парадокс при ИИ. Интерпретацията е в киреча, но докато крайната цел е изпълнена всичко е ок. Затова и задачи при които крайната цел лесно/евтино се валидира механизмите на самообучение са обнадеждаващи.

Ако PCB рутирането падне и RTL дизайна ще падне също. Дай на ИИ достъп до тулове за синтеза и формална верификация и гледай какви PPA оптимизации ще се научи да прави. Такива каквито ЕЕ няма как да измъдри.

Ами според мен не е проблем да му се даде достъп до тулове с които да верифицира какво е направил...

Не знам доколко хеуристиките смята конкретно или апроксимират съгласуването на дължината и контрола на импеданса. Ако смятат, това са си изчислително сложни симулации и предполагам интелигентния брут форс, колкото и да е интелигентен ще увисне по някое време. Но и това предполагам си има решение с малко абстрахирани симулации

Така е за хората. Може да обучиш някой да рути платки сравнително прилично без той предварително да е завършил квантова физика.
Все пак ако хората можеха да живеят по 1000 години и имаха неограничена памет, то една квантова физика + 10 инженерни специалности за отскок биха били полезни. Уви, не живеем толкова а и не можем да запомним всичко. Затова и практически няма смисъл...

При компютрите обаче не е така. Няма смисъл да пестиш откъм обучение. Колкото повече и по-точна информация вкараш, толкова по-добре.
Но по-съществената разлика е, че за обучението на ИИ в случая е необходима точна оценка за различните параметри на дадена платка. Ние като хора може да се научим от 10-20 примера и субективна информация кое даскала смята за добре и кое не. Но ИИ не работи така. На него му трябват мнооого примери. И точни критерии за оценка. За съжаление никой платкаджия не може да снесе подобна информация. И не само срещу чувал пари както се предложиха по-горе. И срещу всичките пари на света пак не може да я даде. Това е все едно шахматист да ти даде инструкции как точно играе. Макар, че при шахмата поне кой печели играта е ясно. При платките и това даже не е ясно.


Номерът е да дефинираш какво е "краен резултат".... без подобна дефиниция е все едно да оставиш пишеща машина в клетка с маймуни и да очакваш да ти напечатат нещо като Шекспир.

Точно затова споменах квантовата физика... За да се оценят резултатите според мен ще е нужно да се слезе на много ниско ниво. Не задължително баш квантова физика, но много по-ниско отколкото е необходимо при обучение на хора.
Примерно за едно просто правило - как се получават електромагнитни вълни? Тук преди години дъвкахме една тема относно какво излъчват антените... Няма как вълните да се появят от нищото. Получават се от ускорения на електрически заряд. Но електроните си се движат постоянно, дори когато "не тече" никакъв ток. Ток имаме наричаме колективното движение в някаква посока. Но не всеки ток води до излъчване, защото обикновено е във верига, демек ако един електрон се движи наляво, друг се движи в обратната посока и няма излъчване. Трябват много и всички да се движат и ускоряват в една посока. Нещо, което се получава при диполната антена и го имаше на анимация в темата, която споменах... Но тоя ефект се получава не само при диполни антени, а е въпрос на геометрия плюс форма на сигнали.
Та простото правило е, че ако визуално може да видиш насочено ускорение на заряди, то на практика виждаш електромагнитни вълни. На един човек му е трудно да разчертае всички вериги и сигнали и писти в пространството и да "гледа" за ускорения на електрони.... Но за компютър не е невъзможна задача. Разбира се малко по-сложно е... освен това излъчването е само един аспект от качеството на платката.
Мисълта ми беше, че за да се направят някакви оценки за излъчване и термален анализи и т.н. най-вероятно ще трябва да се слезе на малко по-ниски нива. Ако има такива оценки вече може да пуснеш Тъпанчев да си прави проби-грешки да си ги оценява сам и да се учи докато му дойде акъла в главата. Въпросът е, че ако му дойде.... фактът, че обучението му тръгва от по-ниско ниво от човешкото, ще има последствия.

Значи има един друг момент като говорим за верификация, импеданс и съгласуване са сравнително лесни, в смисъл отнемат малко време за смятане. Да обаче като започнеш крос талк проблеми, конкуренция на сигналите която сама по себе си също не е сложна, но сигналите са много, и ако започнеш да смяташ и емисии ....те тогава проблема се усложнява, защото верификацията започва да отнема много време, а ако трябва да симулираш и Дейта стриймове още по сложно. При Дедо с многото ядра ги мисли часове, че май и дни някой път, да вярно като хардуер е нищо, но в един момент трябва да се сметне и е нужен ресурс. Ако това е само по време на обучението добре, но ме съмнява да стане точно така, по-скоро тия верификации ще са нужни при самото рутиране от къде и използването на такъв модел става скъпо, 20 Хил за това дето търкаля модела и 50 Хил за това дето смята верификацията ....проблема е твърде сложен според мен да се решава по този метод, колкото и неограничени да ни се струват ресурсите те всъщност са доста ограничени, и в един момент ще опре до цена, и ефективност.
Аз затова си мисля, че не идеален рутер, който наподобява точно това което ние правим би имал по-голям успех, т.е. повече интуиция, каквото и да е това при ИИ-то.

Като гледам колко пари наливат в сървъри в момента, ако не успеят да ги избият сметалките ще са на 50 ст. за левче следващите 10-ина години.

https://www.nextplatform.com/2025/12/15 ... -spending/

Миро, това което пишеш е така. Дефиницията на функцията за награда/наказание е изключително важна задача. При AlphaGo важен е бил крайният резултат, печелиш играта +1, губиш -1. Но това не работи добре за сложни "игри" с много оптимизационни проблеми като рутирането на платки. Едно от основните неща което OpenAI направиха с Five (не го бъркайте с LLM, не е) беше да ускорят обратната връзка като въведат междинни награди/наказания. В интернет е пълно с лекции и примери какво става когато тези не са ефективно подбрани. Като цяло интересен проблем. Но аз лично бих се захванал с нещо, чийто успех е по-предвидим.

При платките има много аспекти за оценка, но пък всички (или поне не се сещам за изключение) са измерими и изчислими на теория. Някои параметри имат норми, други са даже boolean - имаш късо/нямаш късо.
Това си е голямо предимство. Сравнено със софтуера да кажем. Там по дефиниция имаш неизчислимост на някои неща. Примерно няма и не може да имаш алгоритъм по който да провериш дали дадена програма ще зацикли или не. Не знам какви функции и какви награди ще раздаваш при условие, че не знаеш нещо толкова елементарно. При софтуера има и много други проблеми и въпреки, че Тъпанчев пише някакъв код, аз не мисля че програмистите са толкова заплашени.

Моите уважения към хората които по цял ден се занимават с рутене ( като от човек който рути нещо веднъж годишно ), ама достатъчно съм ги пипнал тея софтуери за да правя
разликата м/у оптимизация и констрейн (ограничение, граница на допустимост) и че при рутене по-скоро се говори за констрейн. Не се цели да се направи възможно най-голямо отстояние м/у пистите, защото от момента в който се постигне минималното необходимо отстояние за дадената честота при което няма да има кросталк и късо , всяко по-голямо не внася никакво подобрение . Не се цели пистите да са максимално къси и площадките с минимално малко мед, щото в момента в който дължината и количеството мед падне под минимума под който
ще спрат да се държат като индуктивности и кондери за дадената честота с която се работи и да я режат , всичко по-късо от това не внася подобрение . И т.н. Примерно авторутера
спазва констрейн - да не пресича писти от различни нетове, ама като свърши , се оказва че е хепи да нарушава другите зададени от нас констрейни като отстояния, маркира с едни
жълти марки и казва 'оправяй се' . Като опростим нещата така от някакви неопределени безкрайни оптимизации до прости констрейни, свеждаме алгоритъма на авторутера до 'Four Qeens
' подобен алгоритъм - брутфорсване на всички възможни пермутации с проверка на всеки етап за нарушен констрейн, ако не- следваща стъпка напред, ако е нарушено дадено ограничение -бактракинг една стъпка назад и пробване на съседния клон. Това на Ц може да се разпише като един Connected Graph , където всички възможни пиксели са нодовете , самите нодове са
дефинирани като Struct с променливи вътре в него за координатите на пиксела X и Y и променливи флагове за нарушен консттрайнт от даден тип. Един двумерен масив за съхранение на
връзките м/у отделните нодове и един стек за следене на текущата позиция и бактракване до предишната. Изрутват се пистите на единия нет, почва следващия , пресича се(нарушен констрейн), бактракин до 'най-младшия' пиксел от последния нет, пак нарушения-още бактрак ако трябва до началото, пак нарушения -още бактрак ако трябва до предишния изрутен нет....
мисля че идеята се схваща. Въпроса е че процеса може да се разшири и като констрейни могат да се задават всякакви критерии - импенданси и да клатят същия брутфорс алгоритъм на ре-рутване до постигане на приемлив вариант. Проблема - диагностка на нарушен констрейн пресичане на нетове става за секунди, диагностика преминати констрейни за импендансите и др. хубавинки както казаха по-горе може да се търкаля и една седмица докато обиколим маршрутите на Алеко по Стара Планина, а скоростта на тая диагностика ще зададе и скоростта м/у две пермутации на горния алгоритъм. Как се бори мозъка на човека с тоя проблем - алгоритъм за 'спекулативно разпознаване на верния стринг' ( пространствено разположение) като не пробва всички възможни комбинации ,а само статистически най-вероятните да бъдат правилни. Какво се надяват да прави АИ- частта (според мен) - Pattern Recognition на 'Криви' и 'Прави' от гледна точка на даден констрейн конфигурации , после - горния алгоритъм на рерутване.
Та в заключение - той алгоритъма за възможното сигурно теоретично е възможен... като тоя на Теранос и другите дето са се мъчили/продължават да се мъчат да правят малка лабораторна машинария

Покачването на производителността е между 10% и 50% според това до колко е позната темата. Това са цифрите на професионалните програмисти. При мен като пишман програмист са между 100 и 200%. В моя случай печалбата е за мен. Обаче при колегите това в дългосрочен план може да доведе то 10-50% съкращения, според зависим колко е еластичността на фирмата от към абсорбиране на производителността.