А.О. Васюткин1
1 МИРЭА – Российский технологический университет (Москва, Россия)

1 vasyutkin.a.o@edu.mirea.ru

Постановка проблемы. Современные системы проектирования корпусов и полупроводниковых кристаллов сталкиваются с возрастающей сложностью задач. Традиционные методы проектирования зачастую требуют значительных временных затрат на рутинные операции, что создает необходимость внедрения более эффективных и автоматизированных решений.

Цель. Исследовать возможности применения методов искусственного интеллекта, включая многослойные нейронные сети и генеративные состязательные сети, в приложениях программного комплекса САПР для корпусирования микросхем для повышения степени автоматизации проектирования и снижения трудоемкости процессов.

Результаты. Разработаны прототипы интеллектуальных модулей на базе методов искусственного интеллекта для приложений комплекса САПР для корпусирования, включая систему управления базой компонентов и редактор условных графических обозначений. Для каждой подсистемы предложены модели, соответствующие ее задачам: многослойные персептроны для категоризации и генеративные нейросети для оптимизации визуального представления.

Практическая значимость. Полученные решения позволяют автоматизировать некоторые этапы проектирования (классификацию компонентов и генерацию символов), что обеспечивает сокращение временных затрат, повышение согласованности проектных данных и улучшение читаемости схем.

Васюткин А.О. Искусственный интеллект как инструмент повышения эффективности процесса корпусирования микросхем // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 5. С. 48–55. DOI: https://doi.org/10.18127/j19998554-202505-06

1. Huajie Sh. Research on the development and application of artificial intelligence in computer-aided design (CAD) systems // Applied and Computational Engineering. 2024. № 106. P. 131–136. DOI:10.54254/2755-2721/106/20241314.
2. Zubkova T., Tokareva M. The technique of automated design of technological objects with the application of artificial intelligence elements // Deterministic Artificial Intelligence. 2020. DOI: 10.5772/intechopen.88295.
3. Савостин Д., Кириченко Е., Шаранов А. Будущие перспективы автоматизированного проектирования (САПР) с точки зрения искусственного интеллекта и 3D-печати // Известия ТулГУ. Технические науки. 2023. № 2. С. 328–331.
4. Hunde B., Woldeyohannes A. Future prospects of computer-aided design (CAD) – A review from the perspective of artificial intelligence (AI), extended reality, and 3D printing // Results in Engineering. 2022. V. 14. DOI: 10.1016/j.rineng.2022.100478.
5. Huang G. et al. Machine learning for electronic design automation: A survey // ACM Transactions on Design Automation of Electronic Systems (TODAES). 2021. V. 26. № 5. P. 1–46.
6. Маркусенко Н.С., Гришечкин Е.Д., Настенко Е.А. Применение методов искусственного интеллекта в САПР // Сб. материалов 59-й науч. конф. аспирантов, магистрантов и студентов БГУИР «Электронные системы и технологии». Минск, 17–21 апреля 2023 г. Минск: Белорусский государственный университет информатики и радиоэлектроники. 2023. С. 241–242.
7. Müller J., Panarotto M., Ola I. Function model based generation of CAD model variants // Conference CAD'20. 2020. P. 204–208. DOI: 10.14733/cadconfP.2020.204-208.
8. Heikkinen T., Johansson J., Elgh F. Review of CAD-model capabilities and restrictions for multidisciplinary use // Computer-aided Design & Applications. 2018. V. 15. № 4. P. 509–519. DOI: 10.1080/16864360.2017.1419639.
9. Schabacker M. User defined features (UDF) // Solid Edge 2023 für Fortgeschrittene. 2023. P. 95–98. DOI: 10.1007/978-3-658-41086-5_10.
10. Marx J., Schrage D., Marvis D. An application of artificial intelligence for computer-aided design and manufacturing. 2000. DOI: 10.1007/978-3-642-79654-8_81.
11. Ng K.W., Poynting S. Artificial intelligence in CAD/CAM // 1st National CAD/CAM Conference 1995: New and Emerging Technologies for Industrial Competitiveness. 1995.
12. Madan A. et al. Integration of AI in computer aided design and manufacturing // International Research Journal of Modernization in Engineering Technology and Science. 2023. V. 5. № 12. P. 979–985.
13. Goodfellow I., Bengio Y., Courville A. Deep learning. The MIT Press. 2016.
14. Bishop C. Pattern recognition and machine learning. Springer. 2006.
15. Murphy K. Machine learning: A probabilistic perspective. MIT Press. 2012.
16. Lecun Y., Bottou L., Bengio Y., et al. Gradient-based learning applied to document recognition // Proceedings of the IEEE. 1998. V. 86. № 11. P. 2278–2324. DOI: 10.1109/5.726791.
17. Дычков И. Сверточные нейронные сети // Тенденции развития науки и образования. 2021. № 73-1. С. 38–41. DOI: 10.18411/ lj-05-2021-08.
18. Goodfellow I. et al. Generative adversarial networks // Advances in Neural Information Processing Systems. 2014. № 3. DOI: 10.1145/ 3422622.
19. Таганов А.И. Нейросетевые системы искусственного интеллекта в задачах обработки изображений. М.: Телеком. 2016.
20. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Издательский дом «Питер». 2018.