Dies ermöglicht es beispielsweise, lokale Modelle, die aus wenigen SPICE-Simulationen erstellt werden, die Verifizierung drastisch zu beschleunigen und gleichzeitig die Genauigkeit von SPICE nahezu beizubehalten. Führende EDA-Anbieter kooperieren mit Hardware-Unternehmen wie NVIDIA, um Kernalgorithmen GPU-beschleunigt zu gestalten und so eine deutlich höhere Leistung in Simulation, Designexploration, Abdeckungsanalyse und OPC zu erzielen. Um die zweite Priorität der Produktivitätssteigerung im Engineering zu erfüllen, ist eine grundlegend andere Art von KI-Lösung erforderlich.
Generative KI-Assistenten für EDA waren die erste Antwort der Branche, um die Arbeit von Ingenieuren zu optimieren, reichen aber nicht mehr aus. Mit zunehmender Designkomplexität und Werkzeugfragmentierung stoßen manuelle Skripte und isolierte Insellösungen an ihre Grenzen. Ingenieure benötigen mehr als einen Chatbot; sie brauchen autonome Systeme, die intelligent argumentieren, mehrstufige Prozesse ausführen und sich in Echtzeit an verschiedene EDA-Tools anpassen können. Dies ist das Versprechen agentenbasierter Automatisierung: eine einheitliche Orchestrierungsebene, die Entscheidungen auf Expertenniveau über den gesamten Designlebenszyklus hinweg ermöglicht. Um dieses Versprechen einzulösen, müssen jedoch domänenspezifische Hindernisse überwunden werden, für die generische KI-Frameworks schlichtweg nicht gerüstet sind.
Fünf zentrale Herausforderungen der EDA-Komplexität:
Standardisierte, generische KI-Modelle stoßen bei der Chipentwicklung an ihre Grenzen, da die Branche auf hochspezialisierten Grundlagen basiert. Jede Lösung muss den gesamten Workflow vom ersten Konzept bis zur Fertigungsfreigabe nahtlos abdecken und kritische Aufgaben in den Bereichen Entwurf, Verifizierung, physikalische Implementierung, Leiterplattenfreigabe und Fertigungsbereitschaft automatisieren, um als wirklich einheitliche Intelligenzschicht zu fungieren.
Um agentenbasierte KI effektiv in der EDA zu implementieren, müssen Entwickler fünf zentrale Herausforderungen bewältigen:
Spezialisiertes Chipdesign-Wissen: Chipdesign basiert auf physikalischen Methoden, die in öffentlichen Trainingsdaten nicht vorhanden sind. Generische Agenten verfügen nicht über das spezifische Wissen, das zur Konfiguration spezialisierter Tools, zur Orchestrierung von Sequenzen oder zur Generierung präzisen Produktionscodes erforderlich ist.
EDA-Umgebungen und starre Datenflüsse: EDA setzt auf sichere, lokale Cluster anstatt auf schnelle, Cloud-basierte Frameworks. Agenten müssen langlaufende Verifizierungsaufträge verwalten, sich in ältere Scheduler (wie LSF) integrieren und Terabyte-große Datensätze lokal verarbeiten.
Skalierbarkeit in fragmentierten Workflows: Das umfangreiche Ökosystem von EDA-Tools kann Standard-KI leicht überfordern und zu „Kontextsättigung“ und Fehlfunktionen führen. Eine einheitliche Orchestrierungsschicht ist daher unerlässlich für die deterministische Ausführung über wachsende Toolchains hinweg. Da EDA-Workflows naturgemäß herstellerübergreifend sind und nicht auf ein bestimmtes Ökosystem beschränkt werden können, benötigen KI-Agenten ein hohes Maß an Flexibilität, um nahtlos mit verschiedenen Toolsets zusammenzuarbeiten.
Undurchsichtige EDA-Modalitäten: EDA-Daten umfassen dichte Binärformate und undurchsichtige Datenbanken. Systeme benötigen domänenspezifische Parser, um nützliche Informationen aus komplexen Artefakten wie Wellenformen und Netzwerklisten zu extrahieren.
Integrierte Unternehmenssicherheit: Um sensibles geistiges Eigentum zu schützen, müssen Agenten in hochsicheren Umgebungen arbeiten. Dies erfordert robuste rollenbasierte Zugriffskontrollen (RBAC), striktes Sandboxing, umfassende Audit-Logs und manuelle Kontrollpunkte.
Die Lösung: Siemens Fuse EDA AI-System und Fuse EDA AI-Agent.
Um diese branchenspezifischen Engpässe zu beheben, hat Siemens das Fuse™ EDA AI-System und den Fuse™ EDA AI-Agenten eingeführt. Dieses System revolutioniert das Design von Chips und Leiterplatten (PCBs) durch die Integration generativer und agentenbasierter KI-Funktionen im gesamten Siemens EDA-Portfolio. Über eine kontextsensitive, natürlichsprachliche Schnittstelle koordiniert es intelligent komplexe, toolübergreifende Workflows – vom ersten Konzept bis zur Fertigungsfreigabe – und steigert so die Produktivität der Entwicklung und die Designqualität.
Die Architektur ist speziell für die Halbleiterentwicklung konzipiert. Kernstück ist ein zentralisierter, multimodaler EDA-Data-Lake, der mithilfe spezialisierter Parser Datensilos zwischen Geräten und Werkzeugen aufbricht und so sicherstellt, dass jeder Workflow auf einer einzigen Datenquelle basiert. Darüber hinaus ist ein fortschrittliches RAG-Framework implementiert, das auf Siemens-EDA-Werkzeugen und -Methoden trainiert wurde. Dadurch kann das System komplexe, domänenspezifische Anfragen präzise – und nicht nur annähernd – beantworten. Das System ist zudem modellunabhängig und offen gestaltet: Es unterstützt mehrere große Sprachmodelle (LLMs) und lässt sich nahtlos in Drittanbieter-Werkzeuge integrieren. Dies trägt der Realität Rechnung, dass EDA-Produktionsumgebungen naturgemäß herstellerübergreifend sind. Sicherheit und flexible Bereitstellung sind von Grund auf integriert, mit Unterstützung für On-Premise- und Cloud-Umgebungen, nativer rollenbasierter Zugriffskontrolle (RBAC) und umfassenden Audit-Logs, die geistiges Eigentum auf allen Ebenen schützen.
(Quelle: Siemens Digital Industries Software)
Der Fuse EDA AI Agent vereint all diese Funktionen und ermöglicht eine durchgängige Automatisierung durch Planung, Koordination und Ausführung von Workflows im gesamten Lebenszyklus des Halbleiter- und Leiterplatten-Systemdesigns. Ergänzt wird dies durch KI-gestützte Werkzeugautomatisierung und Debugging in natürlicher Sprache. So können Ingenieure ihre Absichten in einfacher Sprache ausdrücken, und das System übersetzt diese in präzise, umsetzbare Schritte. Der Fuse EDA AI Agent adressiert zudem Skalierungsprobleme durch die zentrale Werkzeugsuche in einer einheitlichen Betriebsschicht und verhindert so effektiv eine Kontextüberlastung bei wachsenden Workflows. Letztendlich entsteht dadurch ein System, das über grundlegende Unterstützung hinausgeht und autonom und zuverlässig für Ingenieure im Unternehmensmaßstab arbeitet.
Der Fuse EDA AI Agent basiert auf einem hochmodularen Ansatz: Jeder Teilprozess des übergeordneten EDA-Workflows ist detailliert automatisiert. Dies wird durch eine Kombination aus dem Model Context Protocol (MCP) zur Ausführung von EDA-Tools, „Agentenfähigkeiten“ – ausführbaren Aktionsanleitungen, die Domänenexpertise für die korrekte Sequenzierung und Konfiguration von Tools mit integrierten Validierungs- und Sicherheitsmaßnahmen kodieren – und spezialisierten EDA-Parsern innerhalb des Fuse EDA AI-Systems erreicht. Diese extrahieren den präzisen Kontext aus komplexen EDA-Datenformaten (z. B. LEF/DEF, GDSII). Sobald Hunderte dieser automatisierten Teilprozesse entwickelt sind, können sie zu vollständigen, Tool-übergreifenden Workflows verknüpft werden, die den gesamten EDA-Lebenszyklus abdecken. Es ist vergleichbar mit dem Bau immer größerer modularer Strukturen aus einzelnen Legosteinen.
(Quelle: Siemens Digital Industries Software)
Die Zukunft: Eine neue Ära der EDA-Automatisierung.
Die Einführung von Lösungen wie dem Fuse EDA AI Agent markiert den Beginn eines grundlegenden Wandels im Design von Halbleitern und Leiterplatten. Aktuelle KI-Agenten übernehmen bereits spezifische und wiederkehrende Arbeitsabläufe und steigern so die Produktivität, während die Ingenieure weiterhin die Kontrolle über übergeordnete Entscheidungen behalten. Doch dies ist erst der Anfang.
Mit zunehmender Leistungsfähigkeit entwickeln sich KI-Systeme von reaktiven Aufgabenausführern zu proaktiven Designassistenten, die ganze Phasen des Entwicklungsprozesses autonom steuern, komplexe Abwägungen treffen und sich ohne manuelles Eingreifen selbst korrigieren. In ferner Zukunft wird kollektive Intelligenz im großen Maßstab die Grenzen des Möglichen neu definieren: Die Rolle des Ingenieurs wandelt sich von der reinen Aufgabenausführung hin zur strategischen Steuerung. Er koordiniert Hunderte paralleler Systeme und optimiert gleichzeitig Verbrauch, Leistung und Flächenbedarf in einem Umfang, den kein menschliches Team allein erreichen könnte.
(Quelle: Siemens Digital Industries Software)
Die Halbleiter- und Leiterplattenentwicklung steht an einem Wendepunkt. Der Übergang von automatisierten zu autonomen Systemen ist keine ferne Zukunftsvision mehr, sondern bereits im Gange. In den kommenden Jahren werden Multiagenten-KI-Systeme den Designprozess grundlegend verändern, Entwicklungszeiten verkürzen, Expertise zugänglich machen und ein bisher unmögliches Maß an paralleler Innovation ermöglichen. Die heute entwickelten Architekturen legen den Grundstein für diese autonome Zukunft der EDA. Entdecken
Sie Fuse™ EDA AI Agent und starten Sie Ihre Reise in die KI-gestützte EDA.
Autor: Niranjan Sitapure, Chief Product Officer, KI, Siemens EDA.
Dr. Niranjan Sitapure ist Chief Product Officer für KI bei Siemens EDA. Er verantwortet die strategische Planung, Entwicklung, strategische KI-Initiativen und das Produktmarketing für das KI-Portfolio von Siemens EDA. Mit einem Doktortitel in Ingenieurwissenschaften der Texas A&M University verfügt Niranjan über umfassende Erfahrung mit fortschrittlichen KI- und Machine-Learning-Technologien, darunter Zeitreihentransformatoren, großskalige Sprachmodelle (LLMs) und digitale Zwillinge für technische Anwendungen. Zuvor war Niranjan als Berater bei Bain & Company tätig, wo er Fortune-500-Unternehmen und Venture-Capital-Gesellschaften zu Digitalisierungsstrategien, der Neugestaltung von Geschäftsmodellen und Due-Diligence-Prüfungen beriet.
