2 godzin temu
Agentic AI zaczyna zmieniać projektowanie układów scalonych w proces, w którym modele nie tylko generują kod, ale coraz częściej koordynują kolejne etapy pracy i same korzystają z narzędzi służących do weryfikacji rezultatów.
To kierunek widoczny już w strategiach największych dostawców systemu EDA. Synopsys, Cadence czy Siemens rozwijają rozwiązania wykorzystujące AI do generowania RTL, debugowania, weryfikacji i optymalizacji projektu. Zmiana dotyczy jednak czegoś więcej niż dodania kolejnego asystenta do istniejącego zestawu narzędzi.
Agentic AI pozwala modelowi rozłożyć zadanie na kolejne etapy, uruchamiać odpowiednie narzędzia, analizować ich wyniki i na tej podstawie decydować o następnym kroku. Agent może więc otrzymać specyfikację, przygotować kod RTL, uruchomić symulację lub linting, przeanalizować wykryte błędy, poprawić projekt i ponownie przeprowadzić testy. Człowiek coraz rzadziej musi manualnie przenosić informacje między poszczególnymi etapami.
„Pełny proces tworzenia aplikacji skupia dziś większość uwagi, ponieważ obserwujemy, jak duże modele językowe (LLM) zmieniają oczekiwania wobec branży tworzenia oprogramowania. Jednak branża projektowania układów półprzewodnikowych, poza samym rozwojem programowalnych narzędzi EDA (Electronic Design Automation), znacznie częściej opiera się na niestandardowych skryptach i procesach przetwarzania danych, wykorzystywanych do rozwiązywania różnorodnych, często unikalnych lub krótkoterminowych wyzwań projektowych. Zadania te oraz związane z nimi odrębne procedury muszą być starannie opracowywane, odpowiednio zsekwencjonowane i precyzyjnie realizowane, a także uwzględniać weryfikację projektu na kolejnych etapach prac. Okazuje się, iż koordynacja takich procesów jest zadaniem szczególnie dobrze dostosowanym do agentowych modeli LLM (agentic LLMs), a my dopiero zaczynamy dostrzegać wpływ sztucznej inteligencji na współczesne procesy projektowania układów półprzewodnikowych” – komentuje Cole Noppenberg, Physical Design Engineer w Capgemini Polska.
Kluczowe ograniczenie pozostaje jednak niezmienne: w projektowaniu chipów poprawnie wyglądający rezultat nie wystarcza. Kod i decyzje projektowe muszą przejść przez deterministyczne mechanizmy weryfikacji, takie jak symulacja, formal verification, analiza timingu czy kontrole DRC. To właśnie możliwość połączenia probabilistycznych modeli AI z narzędziami dającymi jednoznaczny wynik sprawia, iż półprzewodniki mogą być szczególnie interesującym obszarem rozwoju systemów agentowych.
Największy potencjał widać dziś we front-endzie projektu, gdzie specyfikacje, RTL, asercje, plany testów i logi regresji mają formę dobrze dostosowaną do analizy przez modele językowe. Na dalszych etapach autonomia AI maleje, ponieważ większą rolę odgrywają specjalistyczne narzędzia EDA oraz fizyczne ograniczenia projektu.
Istotną barierą pozostają również dane. Projekty półprzewodnikowe zawierają najbardziej wrażliwą własność intelektualną producentów, dlatego wdrożenia AI wymagają ścisłej kontroli dostępu, środowisk prywatnych oraz pełnego śladu audytowego.
Najbardziej prawdopodobnym efektem Agentic AI nie będzie więc szybkie pojawienie się w pełni autonomicznego projektowania chipów. Znacznie wcześniej może zniknąć duża część manualnej pracy wykonywanej pomiędzy narzędziami: uruchamianie kolejnych procedur, analiza logów, porównywanie wyników i przygotowywanie kolejnych iteracji. Sign-off pozostanie oparty na rygorystycznej weryfikacji, ale droga prowadząca do niego może stać się znacznie bardziej zautomatyzowana.
