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。
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。