Это позволяет, например, использовать локальные модели, построенные на основе небольшого набора SPICE-симуляций, для значительного ускорения верификации при сохранении точности, близкой к SPICE. В то же время ведущие поставщики EDA-оборудования сотрудничают с такими компаниями, как NVIDIA, для ускорения основных алгоритмов с помощью графических процессоров, что обеспечивает значительно более высокую производительность в моделировании, исследовании проекта, анализе покрытия и OPC. Решение второй задачи повышения производительности инженерных работ требует принципиально иного подхода к решению на основе искусственного интеллекта.
Для оптимизации работы инженеров первым ответом отрасли стали генеративные ИИ-помощники для EDA, но их уже недостаточно. По мере роста сложности проектирования и фрагментации инструментов ручные скрипты и изолированные точечные решения перестают масштабироваться. Инженерам нужно больше, чем просто чат-бот; им нужны автономные системы, способные к интеллектуальному рассуждению, выполнению многоэтапных процессов и адаптации в реальном времени к различным инструментам EDA. В этом и заключается потенциал автоматизации на основе агентов: единый уровень оркестровки, обеспечивающий принятие решений на экспертном уровне на протяжении всего жизненного цикла проектирования. Однако для реализации этого потенциала необходимо преодолеть специфические для данной области препятствия, с которыми универсальные фреймворки искусственного интеллекта просто не справляются.
Пять ключевых проблем, связанных со сложностью EDA:
готовые, универсальные модели ИИ испытывают трудности с проектированием микросхем, поскольку отрасль опирается на узкоспециализированные фундаментальные принципы. Любое решение должно бесперебойно охватывать весь рабочий процесс от первоначальной концепции до утверждения производства, автоматизируя критически важные задачи на этапах первоначального проектирования, верификации, физической реализации, утверждения печатной платы и готовности к производству, чтобы служить по-настоящему единым уровнем интеллекта.
Для эффективного внедрения агентного ИИ в EDA разработчикам необходимо решить пять различных задач:
Специализированные знания в области проектирования микросхем: Проектирование микросхем основано на физических методологиях, которые отсутствуют в общедоступных обучающих данных. Универсальные агенты не обладают необходимыми знаниями для настройки специализированных инструментов, управления последовательностями или генерации точного производственного кода.
Среды EDA и жесткие потоки данных: EDA опирается на защищенные локальные кластеры, а не на быстрые облачные платформы. Агенты должны управлять длительными задачами проверки, интегрироваться с устаревшими планировщиками (такими как LSF) и обрабатывать наборы данных терабайтного масштаба в локальной среде.
Масштабируемость в фрагментированных рабочих процессах: обширная экосистема инструментов EDA может легко перегрузить стандартный ИИ, что приводит к «насыщению контекста» и иллюзиям. Единый уровень оркестровки необходим для детерминированного выполнения в расширяющихся цепочках инструментов. Важно отметить, что, поскольку рабочие процессы EDA по своей природе являются многовендорными и не могут быть ограничены конкретной экосистемой, агентам ИИ требуется значительная гибкость для бесперебойной работы с различными наборами инструментов.
Непрозрачные форматы данных EDA: данные EDA включают плотные бинарные форматы и непрозрачные базы данных. Агентам необходимы специализированные парсеры для извлечения полезной информации из сложных артефактов, таких как волновые формы и списки сетей.
Интегрированная корпоративная безопасность: для защиты конфиденциальной интеллектуальной собственности агенты должны работать в условиях высокой степени защиты. Это требует надежного управления доступом на основе ролей (RBAC), строгой изоляции процессов, всеобъемлющих журналов аудита и контрольных точек с участием человека.
Решение: система искусственного интеллекта Fuse EDA AI и агент Fuse EDA AI от Siemens.
Для решения этих специфических отраслевых проблем Siemens представила систему искусственного интеллекта Fuse™ EDA AI и агент Fuse™ EDA AI. Эта система кардинально меняет проектирование микросхем и печатных плат (PCB), интегрируя возможности генеративного и агентного искусственного интеллекта во весь портфель EDA-решений Siemens. Благодаря контекстно-ориентированному интерфейсу на естественном языке она интеллектуально координирует сложные многофункциональные рабочие процессы, от первоначальной концепции до утверждения производства, повышая производительность инженерных работ и качество проектирования.
Архитектура специально разработана для полупроводниковой инженерии. В её основе лежит централизованное многомодальное хранилище данных EDA, использующее специализированные парсеры для устранения разрозненности между оборудованием и инструментами, обеспечивая работу каждого рабочего процесса на основе единого источника достоверной информации. Поверх этого построена усовершенствованная структура RAG, обученная на инструментах и методологиях Siemens EDA, что позволяет системе точно, а не приблизительно, отвечать на сложные, специфичные для предметной области запросы. Система также независима от модели и имеет открытую архитектуру: она поддерживает несколько больших языковых моделей (LLM) и легко интегрируется с инструментами сторонних производителей, отражая тот факт, что производственные среды EDA по своей природе являются многовендорными. Безопасность и гибкость развертывания заложены с самого начала, с поддержкой как локальных, так и облачных сред, встроенным управлением доступом на основе ролей (RBAC) и всеобъемлющими журналами аудита, защищающими интеллектуальную собственность на каждом уровне.
(Источник: Siemens Digital Industries Software)
Fuse EDA AI Agent объединяет все эти возможности, обеспечивая сквозную автоматизацию за счет планирования, координации и выполнения рабочих процессов на протяжении всего жизненного цикла проектирования полупроводниковых систем и печатных плат (PCB). Это дополняется автоматизацией инструментов на основе ИИ и отладкой на естественном языке, позволяя инженерам выражать свои намерения простым языком, а система будет преобразовывать их в точные, выполнимые шаги. Fuse EDA AI Agent также решает проблемы масштабируемости, централизуя поиск инструментов в рамках единого операционного уровня, эффективно предотвращая перегрузку контекста по мере масштабирования рабочих процессов. В конечном итоге, это создает систему, которая выходит за рамки базовой помощи, работая автономно и надежно от имени инженеров в масштабе предприятия.
Fuse EDA AI Agent основан на модульной философии: каждый подпоток более крупного рабочего процесса EDA автоматизирован до мельчайших деталей. Это достигается за счет сочетания протокола контекста модели (MCP) для выполнения инструментов EDA, «навыков агента» — исполняемых руководств по действиям, кодирующих экспертные знания в предметной области для правильной последовательности и настройки инструментов со встроенными мерами проверки и безопасности, — и специализированных парсеров EDA в системе Fuse EDA AI для извлечения точного контекста из сложных форматов данных EDA (например, LEF/DEF, GDSII). После разработки сотен таких автоматизированных подпотоков их можно объединять в цепочки для создания полных многоинструментальных рабочих процессов, охватывающих весь жизненный цикл EDA. Это похоже на использование отдельных кубиков Lego для построения все более крупных модульных конструкций.
(Источник: Siemens Digital Industries Software)
Будущее: новая эра автоматизации EDA.
Внедрение таких решений, как Fuse EDA AI Agent, знаменует начало фундаментального сдвига в подходе к проектированию полупроводников и печатных плат (PCB). Современные агенты ИИ уже обрабатывают специфические и повторяющиеся рабочие процессы, повышая производительность, в то время как инженеры сохраняют контроль над принятием решений более высокого уровня. Но это только начало.
По мере развития возможностей ИИ-агентов они будут эволюционировать от реактивных исполнителей задач к проактивным помощникам в проектировании, автономно управляя целыми этапами процесса инженерного проектирования, анализируя сложные компромиссы и самостоятельно корректируя свои действия без ручного вмешательства. В более отдаленной перспективе крупномасштабный коллективный интеллект переопределит границы возможного: роль инженера сместится от выполнения задач к стратегическому надзору, координируя сотни параллельных агентов, одновременно оптимизирующих потребление, производительность и площадь в масштабах, недоступных для человеческой команды в одиночку.
(Источник: Siemens Digital Industries Software)
Проектирование полупроводников и печатных плат (PCB) находится на переломном этапе. Переход от вспомогательных систем к автономным агентам — это не отдаленная перспектива, он уже идет полным ходом. В ближайшие годы многоагентные системы искусственного интеллекта радикально изменят жизненный цикл проектирования, сократив сроки, демократизировав экспертизу и открыв ранее невозможные уровни параллельных инноваций. Создаваемые сегодня архитектуры закладывают основу для этого автономного будущего EDA.
Откройте для себя Fuse™ EDA AI Agent, чтобы начать свой путь к EDA на основе искусственного интеллекта.
Автор: Ниранджан Ситапуре, директор по продуктам в области ИИ, Siemens EDA.
Ниранджан Ситапуре, доктор философии, является директором по продуктам в области ИИ в Siemens EDA. Он курирует стратегическое планирование, разработку, стратегические инициативы в области ИИ и маркетинг продуктов для портфеля ИИ Siemens EDA. Имея докторскую степень в области инженерии, полученную в Техасском университете A&M, Ниранджан обладает обширным опытом работы с передовыми технологиями ИИ и машинного обучения, включая преобразователи временных рядов, крупномасштабные языковые модели (LLM) и цифровые двойники для инженерных приложений. Ранее Ниранджан работал консультантом в Bain & Company, где консультировал клиентов из списка Fortune 500 и венчурных фондов по вопросам стратегий цифровизации, перепроектирования операционной модели и комплексной проверки.
