Локальный ИИ для проектирования чипов: 36 инструментов работают офлайн без утечки IP

---

Инженеры, работающие с топологией микросхем, теперь могут подключить локального ИИ-ассистента (программу, которая помогает анализировать данные прямо на рабочей машине) к своему EDA-движку (среда автоматизации проектирования электроники) без отправки чертежей в облако.

Команда разработчиков описала, как встроила языковую модель (LLM) в инструмент, где ошибка может испортить физический layout (расположение элементов на кристалле). Ключевой принцип: модель выступает диспетчером и рассказчиком, а не источником правды. Основная логика написана на Rust (язык программирования, известный жёсткими гарантиями безопасности памяти), и именно детерминированный код отвечает за точность каждой цифры.

Какую задачу решает ассистент?

Инструмент работает с форматами топологии GDSII, OASIS, LEF и DEF. Он проводит верификацию: проверку зазоров (DRC), сверку со схемой (LVS), извлечение паразитных параметров (PEX). Результат верификации список нарушений.

Типичный вопрос инженера звучит так: «Почему LVS ругается на этот инвертор?» или «Покажи spacing на met2». Раньше ответ приходилось собирать вручную из логов и таблиц. Теперь ассистент вызывает нужный инструмент, достаёт факты и формулирует ответ человеческим языком.

При этом разработчики зафиксировали три условия, без которых чат в таком продукте вреден:

• Полностью офлайн по умолчанию. Кусок дизайна не уезжает в облако, пока человек сам не выберет облачный бэкенд. Часть установок полностью изолирована от сети.
• Нельзя молча испортить данные. Любая правка геометрии проходит через превью: «Применить» или «Отменить».
• Нельзя выдумывать. Числа берутся из движков и локальной документации, а не из «общей эрудиции» модели.

Как модель работает: вызывает инструменты, а не вспоминает дизайн

Модель не отвечает «по памяти». Она вызывает один из 36 инструментов. Среди них: find_violations, query_lvs, query_net, explain_violation, run_drc, focus_camera, apply_actions, расследования (investigate_*), память проекта, поиск по базе знаний.

Каждый инструмент реализован как Rust-трейт (интерфейс с двумя методами):

• schema() отдаёт имя, описание и JSON Schema для модели.
• execute() запускает детерминированный код и возвращает JSON. Ошибка тоже приходит в JSON с полем is_error, и модель может скорректировать запрос сама.

Чтение и запись жёстко разведены. Читающие инструменты берут снимок состояния. Те, что меняют сцену (apply_actions, focus_camera, generate_chip), не мутируют мир напрямую: они кладут команды в буфер. Хост-поток забирает буфер после диспетчеризации и применяет изменения сам, в одном месте, под своими инвариантами.

Отдельно стоит упомянуть run_drc. Имя обманчиво, и это сознательное решение, зафиксированное в схеме: инструмент не запускает проверку, а читает результат последнего прогона. Свежий DRC инженер запускает в интерфейсе вручную. Если прогона не было, ответ содержит status: "not_run" и причину. Ноль нарушений без прогона не читается как «дизайн чистый».

Бюджеты и политика: защита от зацикливания

Диалог обслуживает отдельный поток. Вокруг цикла стоят бюджеты: 8 вызовов инструментов на запрос и 60 секунд по таймеру. Это защита от двух типичных поломок tool-calling (вызова инструментов моделью):

• Модель не поняла ответ и зовёт тот же инструмент по кругу.
• Запрос завис на стороне бэкенда.

Бюджет исчерпан, пользователь видит «не успел, переформулируй», а не бесконечный индикатор загрузки.

Политика исполнения делит все действия на три класса:

• Automatic: чтение, расследования, разбор последнего прогона верификации. Выполняется сразу.
• Confirm: правки геометрии, отмена действий, генерация тестового чипа. Превью, человек жмёт «Применить» или «Отменить».
• MandatoryConfirm: удаление в батче и батчи длиннее 10 операций. Обойти подтверждение из ассистента невозможно.

apply_actions дополнительно ограничен: не более 100 операций за вызов, не более 25 удалений, координаты дальше 10 метров отвергаются. Весь батч откатывается одним Ctrl+Z.

Один трейт, три провайдера

Под единой абстракцией (один асинхронный метод chat, возвращающий текст или список вызовов инструментов) работают три провайдера:

• Ollama (локальные модели с нативным tool-calling: qwen2.5-coder, llama3.1, mistral-nemo).
• Anthropic (через формат tool_use / tool_result).
• OpenAI-совместимый endpoint (эндпоинт, точка подключения).

По умолчанию Ollama: локально, без сети. Облако доступно как опция для тех, кому позволяет политика безопасности.

RAG на BGE-M3: «не выдумывай» через поиск по документации

Вторая половина принципа «не выдумывай» обеспечена локальным RAG (Retrieval-Augmented Generation, генерация с опорой на найденные документы). Вендорные мануалы, PDF по правилам техпроцесса (PDK), внутренняя документация индексируются на рабочей машине.

Модель эмбеддингов (превращения текста в числовой вектор для поиска похожих фрагментов) BGE-M3. Она мультиязычная: запросы и документация могут быть на разных языках. Стек собран под требование «чистый Rust, офлайн, разные ОС».

Для инженеров из России и СНГ это принципиально: ИИ для проектирования микросхем работает с топологией чипов (GDSII, LEF, DEF) без передачи интеллектуальной собственности в облако, а консистентность данных между моделью и EDA-движком гарантирована архитектурой, а не доверием к нейросети.

Что делать с этим прямо сейчас?

Инженерам, работающим с топологией в РФ и СНГ: архитектура с локальным RAG на BGE-M3 и tool-calling позволяет строить подобные ассистенты без отправки IP в облако. Если ваш инструмент умеет отдавать данные через API или CLI, описанный подход (Rust-трейты с JSON Schema для каждого инструмента) воспроизводим на вашей стороне. Ollama с qwen2.5-coder или llama3.1 работает локально.

Авторам Дзена и контент-специалистам: сам принцип «модель как диспетчер, а не как источник правды» применим к любому ИИ-ассистенту для анализа данных. Если вы подключаете нейросеть к базе знаний, числа должны идти из базы, а модель только формулирует. Галлюцинация (когда ИИ уверенно выдумывает то, чего не было) в критичных данных недопустима.

Предпринимателям и руководителям: прежде чем внедрять ИИ для проектирования или анализа, проверьте, разведены ли у вас чтение и запись. Политика Automatic/Confirm/MandatoryConfirm из этого кейса готовый шаблон для любого инструмента, где ошибка стоит дорого.

Архитектура, где модель не источник правды, а диспетчер с жёстким бюджетом и политикой подтверждений, это готовый чертёж для любого продукта, где цена галлюцинации выше цены лишнего клика на кнопку «Применить».