Intelligente Automatisierung im Halbleiter- und PCB-Design

Die nächste Ära des Halbleiter- und Leiterplattendesigns wird von zwei parallelen Anforderungen geprägt sein: der Beschleunigung der Core-Engines und der Steigerung der Produktivität der Ingenieure. Auf der Engine-Seite integriert die Branche maschinelles Lernen und bestärkendes Lernen direkt in EDA-Tools. Dies ermöglicht beispielsweise lokale Modelle, die auf der Grundlage einer kleinen Anzahl von SPICE-Simulationen erstellt werden, um die Verifikation erheblich zu beschleunigen und dabei eine nahezu SPICE-konforme Genauigkeit beizubehalten. Gleichzeitig gehen führende EDA-Anbieter Partnerschaften mit Hardware-Unternehmen wie NVIDIA ein. Ziel ist es, Kernalgorithmen mithilfe von GPUs deutlich schneller auszuführen und so einen höheren Durchsatz bei Simulation, Design-Exploration, Abdeckungsanalyse und OPC zu erreichen. Die Bewältigung der zweiten Herausforderung – die Produktivitätssteigerung – erfordert eine grundlegend andere Art von KI-Lösung.

Um die Arbeit der Ingenieure zu beschleunigen, waren generative KI-Copiloten für EDA die erste Antwort der Branche – doch sie reichen nicht mehr aus. Angesichts der zunehmenden Komplexität der Entwürfe und der immer stärkeren Fragmentierung der Tools sind manuelle Skripte und isolierte Punktlösungen nicht mehr skalierbar. Ingenieure brauchen mehr als einen Chatbot; sie benötigen autonome Systeme, die zu intelligentem Denken, mehrstufiger Ausführung und Echtzeitanpassung über verschiedene EDA-Tools hinweg fähig sind. Das ist das Versprechen der agentenbasierten Automatisierung: eine einheitliche Orchestrierungsschicht, die über den gesamten Design-Lebenszyklus hinweg Entscheidungen auf Expertenniveau liefert. Um dies zu realisieren, müssen jedoch domänenspezifische Hürden überwunden werden, für deren Bewältigung generische KI-Frameworks einfach nicht ausgerüstet sind.

Fünf zentrale Herausforderungen der EDA-Komplexität 

Generische, handelsübliche KI-Modelle haben Schwierigkeiten mit dem Chipdesign, da die Branche auf einer hochspezialisierten Grundlage basiert. Jede Lösung muss den gesamten End-to-End-Workflow nahtlos abdecken – vom ersten Konzept bis zur Freigabe für die Fertigung. Zudem sollten kritische Aufgaben in den Bereichen Front-End-Design, Verifikation, physikalische Implementierung, PCB-Freigabe und Fertigungsreife automatisiert werden. Nur so kann eine einheitliche Intelligenzebene erreicht werden.

Um agentische KI in der EDA effektiv einzusetzen, müssen Entwickler fünf konkrete Herausforderungen bewältigen:

1. Spezifisches Fachwissen im Bereich Chipdesign: Das Chipdesign stützt sich auf physikalisch fundierte Methoden, die in öffentlichen Trainingsdaten nicht enthalten sind. Generischen Agenten fehlt das spezifische Fachwissen, das für die Konfiguration spezialisierter Werkzeuge, die Koordination von Abläufen oder die Erstellung präzisen Produktionscodes erforderlich ist.
2. Starre EDA-Umgebungen und Datenflüsse: EDA stützt sich auf sichere, lokale Cluster statt auf schnelle Cloud-Frameworks. Agenten müssen lang andauernde Verifizierungsaufträge verwalten, sich in bestehende Scheduler (wie LSF) integrieren und vor Ort Datensätze im Terabyte-Bereich verarbeiten.
3. Skalierbarkeit über fragmentierte Workflows hinweg: Das riesige Ökosystem an EDA-Tools kann Standard-KI leicht überfordern, was zu „Kontextsättigung“ und Halluzinationen führt. Eine einheitliche Orchestrierungsschicht ist für die deterministische Ausführung über expandierende Toolketten hinweg unerlässlich. Da EDA-Workflows von Natur aus herstellerübergreifend sind und sich nicht auf ein bestimmtes Ökosystem beschränken lassen, benötigen KI-Agenten ein hohes Maß an Flexibilität, um nahtlos über verschiedene Toolsets hinweg zu arbeiten.
4. Intransparente EDA-Modalitäten: EDA-Daten umfassen dichte Binärformate und intransparente Datenbanken. Agenten benötigen domänenspezifische Parser, um verwertbare Informationen aus komplexen Artefakten wie Wellenformen und Netzlisten zu extrahieren.
5. Integrierte Unternehmenssicherheit: Zum Schutz sensibler geistiger Eigentumsrechte müssen Agenten in hochsicheren Umgebungen arbeiten. Dies erfordert robuste rollenbasierte Zugriffskontrollen (RBAC), striktes Sandboxing, umfassende Prüfpfade und Kontrollpunkte mit menschlicher Einbindung.

Die Lösung: Das Fuse EDA AI System und der Fuse EDA AI Agent von Siemens 

Um diese hochspezifischen Branchenengpässe zu beheben, hat Siemens das Fuse™ EDA AI System und den Fuse™ EDA AI Agent eingeführt. Dieses System revolutioniert das Chip- und Leiterplattendesign grundlegend, indem es generative und agentische KI-Fähigkeiten in das gesamte EDA-Portfolio von Siemens integriert. Über eine kontextbezogene Schnittstelle in natürlicher Sprache koordiniert es auf intelligente Weise komplexe, toolübergreifende Arbeitsabläufe vom ersten Konzept bis zur Freigabe für die Fertigung und steigert so die Produktivität der Entwicklung sowie die Designqualität.

Die Architektur wurde speziell für die Halbleiterentwicklung konzipiert. Ihr Kernstück bildet ein zentraler, multimodaler EDA-Data-Lake, der mithilfe spezialisierter Parser Team- und Tool-Silos aufbricht und so sicherstellt, dass jeder Workflow auf einer einzigen verlässlichen Datenquelle basiert. Darüber liegt ein fortschrittliches RAG-Framework, das auf Siemens EDA-Tools und -Methoden trainiert wurde und es dem System ermöglicht, komplexe fachspezifische Abfragen präzise und nicht nur annähernd zu beantworten. Das System ist zudem modellunabhängig und von Grund auf offen ausgelegt. Es unterstützt mehrere LLMs und lässt sich nahtlos in Tools von Drittanbietern integrieren. Dies trägt der Tatsache Rechnung, dass Produktions-EDA-Umgebungen naturgemäß herstellerübergreifend sind. Sicherheit und Flexibilität bei der Bereitstellung sind von Anfang an integriert, mit Unterstützung für On-Premise- und Cloud-Umgebungen, nativem RBAC und umfassenden Audit-Trails, die geistiges Eigentum auf jeder Ebene schützen.

Fuse EDA AI System und der Fuse EDA AI Agent von Siemens

Das Halbleiter- und Leiterplatten-Design steht an einem Wendepunkt. Der Übergang von „Copiloten“ zu autonomen Agenten ist keine ferne Perspektive – er hat bereits begonnen. In den nächsten Jahren werden Multi-Agenten-KI-Systeme den Design-Lebenszyklus grundlegend neu gestalten, Zeitpläne verkürzen, Fachwissen demokratisieren und ein bisher unmögliches Maß an paralleler Innovation ermöglichen. Die Architekturen, die heute entwickelt werden, legen den entscheidenden Grundstein für diese autonome EDA-Zukunft. Entdecken Sie Fuse™ EDA AI Agent, um Ihre Reise in die KI-gestützte EDA-Welt zu beginnen.

All diese Funktionen vereint der Fuse EDA AI Agent. Dieser ermöglicht eine durchgängige Automatisierung, indem er Workflows über den gesamten Entwurfszyklus von Halbleiter- und Leiterplattensystemen hinweg plant, koordiniert und ausführt. Ergänzt wird dies durch KI-gesteuerte Tool-Automatisierung und Debugging in natürlicher Sprache. Ingenieure können ihre Absichten in einfacher Sprache formulieren und das System setzt sie in präzise, ausführbare Aktionen um. Der Fuse EDA AI Agent löst zudem Skalierbarkeitsprobleme, indem er die Erkennung von Tools in einer einheitlichen Betriebsebene zentralisiert und so eine Überlastung des Kontexts bei wachsenden Workflows wirksam verhindert. Letztendlich entsteht so ein System, das über einfache Unterstützung hinausgeht und autonom und zuverlässig im Namen der Ingenieure auf Unternehmensebene arbeitet.

Der Fuse EDA AI Agent basiert auf einem stark modularen Ansatz: Jeder Teilablauf des übergeordneten EDA-Workflows wird detailliert automatisiert. Dies wird durch eine Kombination aus dem Model Context Protocol (MCP) zur Ausführung von EDA-Tools, „Agent Skills“ – ausführbaren Playbooks, die Fachwissen kodieren, um Tools mit integrierter Validierung und Sicherheitsvorkehrungen richtig zu sequenzieren und einzurichten – sowie spezialisierten EDA-Parsern innerhalb des Fuse EDA AI Systems erreicht. So kann präziser Kontext aus komplexen EDA-Datenformaten (z. B. LEF/DEF, GDSII) extrahiert werden. Sobald Hunderte dieser automatisierten Teilabläufe entwickelt sind, können sie miteinander verknüpft werden, um umfangreiche, mehrere Werkzeuge umfassende Workflows zu erstellen, die den gesamten EDA-Lebenszyklus abdecken. Das ist in etwa so, als würde man einzelne Legosteine nehmen, um immer größere, modulare Strukturen zu bauen.

Die Zukunft: Eine neue Ära der Automatisierung im EDA-Bereich

Die Einführung von Lösungen wie dem Fuse EDA AI Agent markiert den Beginn eines grundlegenden Wandels in der Art und Weise, wie Halbleiter- und Leiterplattendesign durchgeführt wird. Heutige KI-Agenten übernehmen bereits eng gefasste, repetitive Arbeitsabläufe und steigern so die Produktivität, während Ingenieure weiterhin die Kontrolle über Entscheidungen auf höherer Ebene behalten. Doch dies ist erst der Anfang.

Mit zunehmender Leistungsfähigkeit werden sich KI-Agenten von reaktiven Aufgabenausführern zu proaktiven Konstruktionsassistenten entwickeln. Sie werden ganze EDA-Phasen autonom verwalten, komplexe Kompromisse abwägen und sich ohne manuelles Eingreifen selbst korrigieren. Auf längere Sicht wird kollektive Intelligenz in großem Maßstab die Grenzen des Möglichen neu definieren: Die Rolle des Ingenieurs wird sich von der Ausführung einzelner Aufgaben hin zur strategischen Überwachung verlagern. Dabei beaufsichtigt er Hunderte von parallelen Agenten, die gleichzeitig Leistung, Energieverbrauch und Fläche optimieren – und zwar in einem Ausmaß, das kein menschliches Team allein erreichen könnte.

Über den Autor: Niranjan Sitapure, Central AI Product Manager, Siemens EDA

Dr. Niranjan Sitapure ist Central AI Product Manager bei Siemens EDA. Er ist verantwortlich für die Roadmap-Erstellung, die 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 fundierte Fachkenntnisse in den Bereichen fortschrittliche KI- und Machine-Learning-Technologien, darunter Zeitreihen-Transformer, große Sprachmodelle (LLMs) und digitale Zwillinge für ingenieurwissenschaftliche Anwendungen. Zuvor war Niranjan als Berater bei Bain & Company tätig, wo er Fortune-500-Unternehmen und Private-Equity-Kunden zu Digitalisierungsstrategien, der Neugestaltung von Betriebsmodellen und Due-Diligence-Prüfungen beriet.

Dieser Beitrag wird präsentiert von:

Siemens EDA