Puolijohde- ja piirilevysuunnittelun seuraavaa vaihetta määrittävät kaksi rinnakkaista tavoitetta. Ensinnäkin halutaan kasvattaa suunnittelutyökalujen suorituskykyä. Lisäksi on tärkeää parantaa suunnittelijoiden tuottavuutta.

Työkalujen puolella koneoppimista ja vahvistusoppimista integroidaan yhä syvemmin EDA-ohjelmistoihin. Esimerkiksi pienellä määrällä SPICE-simulointeja koulutetut paikalliset mallit voivat nopeuttaa verifiointia merkittävästi säilyttäen samalla lähes SPICE-tasoisen tarkkuuden. Samanaikaisesti johtavat EDA-toimittajat tekevät yhteistyötä esimerkiksi NVIDIAn kanssa siirtääkseen laskentaa GPU-kiihdytyksen varaan. Tämä kasvattaa simuloinnin, suunnitteluvaihtoehtojen tutkimisen, kattavuusanalyysin ja OPC-prosessien suorituskykyä huomattavasti.

Suunnittelijoiden tuottavuuden parantaminen vaatii kuitenkin toisenlaista lähestymistapaa. Ensimmäinen askel olivat generatiiviset AI-avustajat, mutta ne eivät enää riitä vastaamaan kasvavan suunnittelukompleksisuuden ja työkaluketjujen pirstaloitumisen haasteisiin.

Suunnittelijat tarvitsevat enemmän kuin chatbotin. Tarvitaan autonomisia järjestelmiä, jotka pystyvät päättelyyn, monivaiheisten tehtävien suorittamiseen ja reaaliaikaiseen mukautumiseen eri EDA-ympäristöissä. Tätä kutsutaan agenttiseksi automaatioksi: yhtenäiseksi orkestrointikerrokseksi, joka kykenee tekemään asiantuntijatason päätöksiä koko suunnitteluprosessin ajan. Tämän vision toteuttaminen edellyttää kuitenkin useiden toimialakohtaisten haasteiden ratkaisemista, joihin yleiskäyttöiset AI-kehykset eivät sellaisenaan pysty vastaamaan.

Viisi keskeistä haastetta EDA-ympäristössä

Yleiskäyttöiset tekoälymallit eivät sovellu sellaisenaan piirisuunnitteluun, koska ala perustuu erittäin erikoistuneeseen osaamiseen. Jotta agenttinen tekoäly voisi toimia aidosti yhtenäisenä älykerroksena, sen on katettava koko suunnitteluketju ensimmäisestä konseptista valmistuksen hyväksyntään asti. Tämä tarkoittaa etupään suunnittelun, verifioinnin, fyysisen toteutuksen, piirilevyjen hyväksyntäprosessien ja valmistusvalmiuden automatisointia saman kokonaisuuden sisällä.

Jotta agenttinen tekoäly toimisi EDA-ympäristössä tehokkaasti, sen on ratkaistava viisi keskeistä ongelmaa.

1. Piirisuunnittelun erikoisosaaminen

Piirisuunnittelu perustuu fysiikkaan ja menetelmiin, joita ei löydy julkisista koulutusaineistoista. Yleiskäyttöinen tekoäly ei tunne erikoistyökaluja, niiden asetuksia eikä tuotantokelpoisen koodin vaatimuksia.

2. Jäykät EDA-ympäristöt ja datavirrat

EDA-järjestelmät toimivat usein turvallisissa paikallisissa on-premise-laskentaympäristöissä pilvipalveluiden sijaan. Agenttien on kyettävä hallitsemaan pitkiä verifiointiajoja, integroitumaan olemassa oleviin työnhallintajärjestelmiin ja käsittelemään teratavuluokan aineistoja siellä missä ne sijaitsevat.

3. Pirstaloituneet työnkulut

EDA-ekosysteemi koostuu valtavasta määrästä erilaisia työkaluja. Ilman yhtenäistä orkestrointikerrosta tekoälymallit kärsivät helposti kontekstin ylikuormittumisesta ja virheellisistä päätelmistä. Lisäksi suunnitteluympäristöt ovat lähes aina monitoimittajaympäristöjä, joten agenttien on kyettävä toimimaan joustavasti eri työkalujen välillä.

4. Vaikeasti tulkittavat EDA-datamuodot

EDA-data sisältää monimutkaisia binääriformaatteja ja suljettuja tietokantarakenteita. Jotta tekoäly voisi hyödyntää esimerkiksi aaltomuotoja ja verkkolistoja, se tarvitsee EDA-ympäristöihin suunniteltuja erikoisparsereita.

5. Yritystason tietoturva

Piirisuunnittelussa käsitellään erittäin arvokasta IP:tä ja muuta luottamuksellista suunnitteluaineistoa. Agenttien on toimittava erittäin turvallisissa ympäristöissä, joissa käytetään roolipohjaista käyttöoikeuksien hallintaa (RBAC), hiekkalaatikkoratkaisuja, kattavaa auditointia sekä ihmisen hyväksyntää kriittisissä vaiheissa.

Siemensin ratkaisu: Fuse EDA AI System ja Fuse EDA AI Agent

Näihin haasteisiin Siemens vastaa Fuse EDA AI System- ja Fuse EDA AI Agent -ratkaisuilla. Järjestelmä yhdistää generatiivisen ja agenttisen tekoälyn koko Siemensin EDA-tuotevalikoimaan.

Ratkaisun tavoitteena on ohjata monimutkaisia monityökaluprosesseja luonnollisen kielen avulla aina suunnittelun alkuvaiheista valmistusvalmiiseen lopputulokseen asti.

Järjestelmän ytimenä toimii keskitetty EDA-datavarasto, joka kokoaa tiedot eri työkaluista ja tiimeistä yhdeksi tietolähteeksi. Sen päälle on rakennettu Siemensin EDA-työkaluihin ja -menetelmiin koulutettu RAG-kehys, joka mahdollistaa tarkat vastaukset suunnittelijoiden kysymyksiin.

Ratkaisu tukee useita suuria kielimalleja eikä sido käyttäjää yhteen ekosysteemiin. Samalla tietoturva on rakennettu osaksi arkkitehtuuria tukemaan sekä paikallisia että pilvipohjaisia käyttöympäristöjä.

Fuse EDA AI Agent yhdistää suunnitteluprosessin eri vaiheet yhdeksi kokonaisuudeksi. Agentti kykenee suunnittelemaan, orkestroimaan ja suorittamaan työnkulkuja koko puolijohde- ja piirilevysuunnittelun elinkaaren ajan.

Luonnollisen kielen avulla suunnittelija voi kuvata tavoitteensa, minkä jälkeen järjestelmä muuntaa pyynnön konkreettisiksi ja suoritettaviksi toimenpiteiksi. Ratkaisua täydentävät AI-pohjainen työkaluautomaatio ja luonnollisella kielellä tehtävä virheenkorjaus, joiden avulla järjestelmä voi tulkita käyttäjän aikomuksen ja muuntaa sen täsmällisiksi toiminnoiksi.

Fuse EDA AI Agent ratkaisee myös laajenevien työnkulkujen aiheuttamia skaalautuvuusongelmia keskittämällä työkalujen hallinnan yhteen operatiiviseen kerrokseen. Näin voidaan välttää kontekstin ylikuormittuminen työnkulkujen kasvaessa.

Ratkaisun perustana ovat MCP-protokollan avulla ohjattavat EDA-työkalut, alakohtaista osaamista sisältävät Agent Skills -toiminnot sekä EDA-formaattien erikoisparserit. Näiden avulla voidaan automatisoida yksittäisiä työnkulkuja, jotka voidaan myöhemmin yhdistää laajoiksi koko suunnitteluketjun kattaviksi prosesseiksi.

Siemens vertaa lähestymistapaa Lego-palikoihin: yksittäisistä automaatiolohkoista rakennetaan vähitellen yhä suurempia ja monimutkaisempia kokonaisuuksia.

Kohti autonomista EDA-suunnittelua

EDA-alan tekoälyagentit ovat vielä alkuvaiheessa. Tällä hetkellä ne automatisoivat pääasiassa kapeita ja toistuvia tehtäviä, kun taas suunnittelijat tekevät edelleen keskeiset päätökset.

Kehityksen seuraavassa vaiheessa agentit muuttuvat aktiivisiksi suunnitteluavustajiksi, jotka pystyvät hallitsemaan kokonaisia suunnitteluvaiheita, tekemään kompromisseja eri suunnittelutavoitteiden välillä ja korjaamaan virheitä ilman jatkuvaa ihmisen ohjausta.

Pidemmällä aikavälillä suunnittelijan rooli muuttuu suorittajasta valvojaksi. Yksi insinööri voi ohjata samanaikaisesti satoja agentteja, jotka optimoivat rinnakkain suorituskykyä, tehonkulutusta ja piipinta-alaa tavalla, johon yksikään suunnittelutiimi ei yksin pystyisi.

Puolijohde- ja piirilevysuunnittelu on siirtymässä murrosvaiheeseen. Siirtyminen AI-avustajista autonomisiin agentteihin ei ole enää tulevaisuuden visio, vaan kehitys on jo käynnissä. Seuraavien vuosien aikana monen agentin järjestelmät voivat muuttaa koko suunnitteluprosessin perustavanlaatuisesti, lyhentää kehitysaikoja, tuoda asiantuntijaosaamisen entistä laajemman joukon käyttöön ja mahdollistaa rinnakkaisen innovaation mittakaavassa, joka ei aiemmin ollut mahdollista.

Lisätietoa: Human-centered agentic AI workflows for RTL verification -white paper.

Kirjoittaja Niranjan Sitapure toimii Siemens EDA:n keskitettynä AI-tuotepäällikkönä. Hän vastaa yhtiön EDA-tekoälyratkaisujen tuotestrategiasta, kehityksestä ja markkinoinnista. Sitapure on koulutukseltaan tekniikan tohtori Texas A&M -yliopistosta, ja hänen erikoisalaansa ovat muun muassa suuret kielimallit, koneoppiminen ja digitaalisten kaksosten hyödyntäminen suunnittelutyökaluissa.