搜索你想找的开源项目

输入名称、用途或关键词,也可粘贴 GitHub 仓库链接

分享到微信

当前解读页的微信分享二维码

用微信扫一扫打开,点击右上角「···」分享给朋友或朋友圈。

手机上可截屏后,在微信扫一扫中从相册识别二维码。

Ssbullock/pcb-layout-llm

机器学习

在布局布线前为 KiCad 板卡生成功能分组与布线策略的 32B 微调模型,附数据集、训练与评测代码。

105
10
Python
创建于 4 天前

项目介绍

这个仓库发布了一个基于 Qwen/Qwen2.5-Coder-32B-Instruct 的 LoRA 适配器,专门做 PCB 架构级布局规划。训练分两阶段:先在 245 个精选开源 KiCad 设计上做 QLoRA SFT,再用在线 GRPO 继续优化 (L1-L14)。

它不要求模型凭空生成 X/Y 坐标,而是把精简后的网表和封装几何信息(board_context.md)喂给模型,模型输出两份 JSON:

  • groups.json:按功能分组,每组一个 IC(core、power、interface),并给出锚点选择和 near 邻近约束。
  • routing_strategy.json:地平面/分割平面灌注、EMI 避让规则、电源线宽分级、总线布线、通道预留以及过孔/走线规则。

这些规划再交给 KiCadRoutingTools 做确定性摆放和 Rust A* 自动布线。仓库同时包含数据整理、训练、评测和基准测试代码。

快速使用

前置条件:安装 KiCad 9 或 10 并保证 kicad-cli 可用;克隆并编译 KiCadRoutingTools(不在默认路径时修改 KRT_ROOT);Python 3.10+,并安装 numpy、pillow 和用于云端 GPU 的 modal (L49-L53)。

适配器发布在 Simonssb/qwen2.5-coder-32b-pcb-grpo,用 PEFT 加载:

from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

base_id = "Qwen/Qwen2.5-Coder-32B-Instruct"
adapter_id = "Simonssb/qwen2.5-coder-32b-pcb-grpo"

tokenizer = AutoTokenizer.from_pretrained(adapter_id, trust_remote_code=True)
base = AutoModelForCausalLM.from_pretrained(base_id, torch_dtype=torch.bfloat16, device_map="auto")
model = PeftModel.from_pretrained(base, adapter_id)

得到 pred_groups.json 和 pred_routing_strategy.json 后,用物理引擎封装执行摆放与布线:

python3 gym_rollout.py \
  --board HydroPCB \
  --set sethydro \
  --mode rollout \
  --groups path/to/pred_groups.json \
  --routing-strategy path/to/pred_routing_strategy.json \
  --production-finish

复现 23 板基准按顺序执行准备、评测和出图:

python3 benchmark_frontier_vs_finetuned.py --prepare
python3 benchmark_frontier_vs_finetuned.py --eval
python3 make_benchmark_chart.py

重新训练在 Modal A100-80GB 上运行:

modal run modal_train_sft.py \
  --base-model Qwen/Qwen2.5-Coder-32B-Instruct \
  --train-file dataset/sft_curated_train.jsonl \
  --val-file dataset/sft_curated_val.jsonl

使用约束

  • 模型只负责架构规划,不输出坐标。实际摆放和布线依赖 KiCadRoutingTools 以及可用的 KiCad/kicad-cli 环境。
  • 32B 基座加适配器需要较大显存(bfloat16,device_map="auto");训练脚本按 Modal A100-80GB 设计。
  • 板卡上下文生成器包含机械/RF 锁定检测和 19 项物理质量评估,超出这个 KiCad 流程的输入可能无法处理。
  • 仓库未声明许可证,二次分发和复用条款不明确。

基准结果

README 报告了在 23 块未见板卡上的盲测结果,使用同一套摆放器、布线器和 kicad-cli pcb drc 门禁。微调模型声称 23/23 输出合法 schema、19/23 完全布通、11/23 零 DRC,并对比了多个前沿模型的零样本结果和基座模型 0/23 的合法 schema 率 (L15-L33)。逐板明细在 runs/frontier_vs_finetuned_leaderboard.md,对比图见 frontier_vs_finetuned_chart.png。这些是作者报告的数字,且绑定在特定布线工具链上。

HotRepo 点评

项目同时覆盖模型训练和 EDA 工具链:除了权重,还提供精选数据集、训练脚本和评测框架,而不是只有一个演示。HotRepo 记录到的活动只有 2026-11-22 的新项目快照,当时为 104 星,约 1.5 小时内增加 4 星;没有 GitHub 日榜名次,也缺少更长时间的历史,无法判断持续热度。基准的可比性建立在共用的 KiCadRoutingTools 摆放器、布线器和 DRC 门禁上,换用其他布线引擎时这些数字不能直接迁移。

本文由 AI 根据项目公开资料和 HotRepo 的记录撰写,更新于 ,以项目官方文档为准。

相关推荐

  1. mixelpixx/Konnect让大模型通过原生 KiCad 插件直接摆放、连线、布线真实 PCB,而不是你手动照着描述改文件。Rust1,397
  2. drost-ai/tinker-ai-skill把 Claude Code 会话记录转成可本地运行的 LoRA 微调模型,并提供完整流水线。Python106