Sådan vil Synopsys, Cadence og Siemens gøre chipdesign agentisk

DAC 2026 gjorde agentisk AI til et strategisk platformsspørgsmål i elektronisk designautomation – EDA, de softwareværktøjer der bruges til at udvikle og verificere chips.

Synopsys, Cadence og Siemens EDA præsenterede ikke længere AI som en simpel samtalepartner, der kan skrive lidt RTL-kode eller søge i dokumentation. De nye systemer skal kunne opdele et ingeniørmål, kalde de eksisterende EDA-værktøjer, fortolke målinger og fortsætte gennem flere iterationer, indtil et bestemt mål er nået. 217

Det ændrer også kampen mellem leverandørerne. Vinderen bliver ikke nødvendigvis den, der har den mest imponerende generelle sprogmodel. Det afgørende bliver snarere, hvem der kan forbinde en agent med design­data, deterministiske løsningsværktøjer, verifikationsbeviser, sikkerhedskontroller og den endelige godkendelse af et design.

Hvad ændrede sig på DAC 2026?

Traditionelle EDA-værktøjer udfører afgrænsede opgaver som syntese, simulering, formel verifikation, fysisk implementering, timinganalyse og fysisk signoff. Et agentisk EDA-system lægger et planlægnings- og koordineringslag oven på disse værktøjer.

Et typisk forløb kan se sådan ud:

1. Agenten fortolker et designmål eller en fejl.
2. Den vælger relevante værktøjer og delopgaver.
3. Den genererer eller ændrer RTL, begrænsninger, tests eller konfigurationer.
4. Den kører deterministiske simuleringer, formelle kontroller eller fysisk analyse.
5. Den læser målinger, logfiler, bølgeformer eller modbeviser fra analysen.
6. Den foreslår en ny ændring og gentager processen.

Forskning i agentisk fysisk design beskriver en tilsvarende arbejdsgang: at fortolke mål i naturligt sprog, kalde EDA-værktøjer, analysere deres resultater, ændre konfigurationer eller kildekode og iterere ud fra målte resultater. 1

Forskellen på en copilot og en agent er væsentlig. En copilot foreslår typisk næste skridt. En agentisk arbejdsgang kan derimod overtage en længere kæde af handlinger – dog inden for rammerne af de tekniske værktøjer og de mål, som ingeniøren har defineret.

Synopsys: en autonomistige bygget omkring AgentEngineer

Synopsys organiserer sin strategi omkring en L1-L5-model for stigende autonomi. Tanken er at bevæge sig fra assistance og vejledt automatisering mod stadig mere selvstændige ingeniørforløb, som på længere sigt kan spænde over flere designdomæner.

Grænserne mellem niveauerne er Synopsys’ egen køreplan og ikke en fælles industristandard. L1-L5 skal derfor læses som virksomhedens måde at måle autonomi på – ikke som en universel certificeringsordning.

Det praktiske omdrejningspunkt er AgentEngineer. På DAC beskrev Synopsys en orkestrator, der kan opdele et verifikationsmål i mindre opgaver, koordinere specialiserede agenter, kalde EDA-værktøjer, gennemgå resultater og fortsætte i et lukket feedback-loop. Synopsys og NVIDIA beskrev forløbene som fuldt autonome, langvarige arbejdsgange til chip- og elektroniksystemdesign. 314

Synopsys fremhævede især autonom verifikation, fejlanalyse og afslutning af debugforløb. Virksomhedens egne demonstrationer hævdede op til 50 gange hurtigere vej til valideret RTL samt 20 procent højere dækning. Det er leverandørrapporterede resultater og ikke uafhængige benchmarkmålinger. 19

Et separat Synopsys-forløb udviklet sammen med Microsoft Discovery rapporterede foreløbige reduktioner på 25-40 procent i tiden til debug. Det bør ligeledes betragtes som en tidlig evaluering, ikke som et generelt produktionsbenchmark. 17

Fra RTL til termisk simulering

Synopsys forsøger samtidig at føre den agentiske idé ud over digital logik. Strategien omfatter fysiktunge arbejdsgange på elektroniksystemniveau, blandt andet termisk simulering. Her kan en agent hjælpe med at opsætte en simulering, køre den, vurdere resultatet og forbedre processen.

Positioneringen som en sammenhængende rejse fra "silicon to systems" styrkes af Synopsys’ Ansys-portefølje og rækker dermed længere end et klassisk RTL-til-GDS-forløb. 1417

Den strategiske fordel er bredden: Hvis den samme orkestreringsplatform kan arbejde med både verifikation og fysik på systemniveau, kan Synopsys sælge agentisk EDA som et samlet ingeniørmiljø frem for en samling isolerede assistenter.

Cadence: specialiserede agenter og vedvarende designkontekst

Cadence vælger en anden vej. Den offentlige positionering bygger på et hierarki af specialiserede agenter, der koordineres af en overordnet AI-superagent. I den tilgængelige rapportering omtales platformen blandt andet som ChipStack AI Super Agent og i nogle sammenhænge som AgentStack eller AuraStack. Navngivningen er ikke konsekvent bekræftet i de tilgængelige materialer, så ChipStack AI Super Agent og AgentStack er de sikreste betegnelser. 218

Cadences mest særprægede idé er en Mental Model. I stedet for kun at reagere på den aktuelle prompt skal agenten bevare en struktureret, designspecifik forståelse af projektets begrænsninger, historik, intentioner og tidligere beslutninger.

Det er vigtigt, fordi chipdesign er præget af indbyrdes afhængige krav. En ændring, der ser fornuftig ud lokalt, kan overskride et timingbudget, kollidere med en pakke- eller effektbegrænsning eller bryde med en tidligere arkitekturbeslutning.

Cadence lægger også vægt på acceleration af multiphysik. Visionen er, at agenter kan ræsonnere på tværs af elektriske, termiske, mekaniske og fluidiske forhold, så designbeslutninger vurderes ud fra konsekvenser på systemniveau – ikke kun ud fra digitale målinger. 1718

Strategisk konkurrerer Cadence dermed på arkitektonisk sammenhæng og kontekst. Målet er ikke kun at automatisere ét trin, men at få agenten til at forstå designet som et vedvarende system med mange samspillende begrænsninger.

Siemens: tillid gennem selvverificering

Siemens EDA differentierer sin Fuse EDA AI Agent gennem tillid. Grundideen er et selvverificerende loop, hvor agentens forslag kontrolleres mod deterministiske, fysikbaserede Siemens-motorer, før resultatet får lov til at gå videre. 2

Fuse bygger på en skalerbar arkitektur baseret på Model Context Protocol (MCP). MCP giver en fælles måde at forbinde et orkestreringslag med værktøjer og tekniske informationer på tværs af blandt andet RTL, verifikation, analogt og custom design, place-and-route samt fysisk signoff. 2

Tilgangen adresserer en af de største risici ved autonom ingeniørarbejde: En sprogmodel kan udarbejde en overbevisende plan, som i praksis er fysisk ugyldig. I en selvverificerende arbejdsgang kommer den autoritative kontrol fra domæneværktøjet. Hvis timing, geometri, fysik eller en anden formel begrænsning afviser forslaget, kan agenten bruge dette bevis til at revidere planen.

Siemens fremhæver desuden en bredere digital tråd. Den agentiske vision kan forbinde designbeslutninger med produktionsplanlægning og planlægning af forsyningskæden. Fordelen er derfor ikke kun autonomi, men autonomi bundet til industrielle data og den efterfølgende eksekvering.

NVIDIA bliver det fælles infrastrukturlag

NVIDIA erstatter ikke EDA-giganterne som en traditionel EDA-leverandør. I stedet leverer selskabet flere af de lag, der kan understøtte den nye agentiske stak – og skaber samtidig et muligt afhængighedspunkt for platformen.

NVIDIA investerede 2 mia. dollar i Synopsys som del af et udvidet flerårigt samarbejde om AI-drevet ingeniørarbejde og accelererede EDA-processer. 13

Infrastrukturen dækker flere funktioner:

• Accelereret databehandling: Grace Blackwell bruges til simulering og AI-inferens. Synopsys har rapporteret, at NVIDIA NIM-inferensmikrotjenester gav dobbelt så hurtig adgang til information i virksomhedens generative AI-Copilot, mens NVIDIA har rapporteret en 34 gange højere hastighed end CPU’er i et Fluent-scenarie for aerodynamisk simulering. Resultaterne gælder de nævnte anvendelser og er ikke universelle EDA-benchmarks. 1516
• Modeller og orkestrering: Synopsys’ DAC-forløb brugte NVIDIA Nemotron, NVIDIA Agent Toolkit og OpenShell-runtime til agentafvikling og styring. 314
• Acceleration af fysik: NVIDIA CUDA-X og PhysicsNeMo skal understøtte simuleringsintensive ingeniørprocesser. 2
• CPU-ydelse: Vera CPU er målrettet beregningstunge og sekventielle opgaver, som fortsat spiller en vigtig rolle i klassisk EDA. NVIDIA oplyser, at selskabet samarbejder med Cadence og Synopsys om optimering af applikationer. Testresultater har vist omkring 1,5 gange højere ydelse for Cadence Jasper og Synopsys VCS, men også disse tal er leverandørrapporterede. 45

Resultatet er en lagdelt konkurrence. EDA-selskaberne ejer designdatabaser, domæneværktøjer og signoff-processer, mens NVIDIA leverer beregning, modeller, orkestreringskomponenter og runtime-infrastruktur. Kunderne kan få hurtigere arbejdsgange, men samarbejdet rejser også spørgsmålet om, hvor stor en del af fremtidens ingeniørstak der vil afhænge af én fælles hardware- og softwareplatform.

Hvad Kimi K3-eksperimentet viser – og ikke viser

Demonstrationen med Kimi K3 er et nyttigt modstykke til branchegiganternes annonceringer. Ifølge den tilgængelige beskrivelse gennemførte Kimi K3 på 48 timer et autonomt forløb, hvor modellen designede, optimerede og verificerede en chip til en nanomodel ved hjælp af open source-EDA-værktøjer og Nangate-biblioteket på 45 nanometer. Det rapporterede design fyldte omkring 4 mm² og lukkede timingen ved 100 MHz i simulering. 17

Det er et interessant bevis på, at en LLM-baseret agent kan koordinere et afgrænset end-to-end-designforløb. Demonstrationen viser, at arkitektur, RTL-generering, optimering, verifikation og timinganalyse kan forbindes i én autonom proces under gunstige betingelser.

Men den viser ikke, at kommercielle EDA-værktøjer eller erfarne chipdesignteams er blevet overflødige. Eksperimentet brugte et modent 45-nanometer-referenceflow, som ligger omkring to årtier efter den førende procesteknologi. Det dokumenterer ikke ydeevne på moderne procesdesignkits, avanceret timing- og effektlukning, analogt design, design-for-test, IP-integration, pålidelighedsanalyse, produktionskrav eller kommercielt signoff.

Eksperimentet viser også et dokumentationsproblem. Resultatet stammer fra projektets egne tekniske materialer og er ikke et uafhængigt reproduceret produktionsbenchmark. Påstande om, at designet yder 20-30 gange dårligere end nutidige chips, bør derfor ikke behandles som en kontrolleret sammenligning uden stærkere dokumentation.

Den forsigtige konklusion er smallere: Open source-værktøjer kan understøtte en imponerende demonstration på en moden procesteknologi, mens konkurrencedygtige og fremstillingsklare designs på avancerede noder stadig i høj grad afhænger af foundry-materiale, procesbiblioteker, modne signoff-flows og specialiseret ingeniørviden.

Hvorfor kinesiske EDA-leverandører får en åbning

Agentisk AI giver kinesiske EDA-selskaber mulighed for at konkurrere på arbejdsgange i stedet for blot at forsøge at kopiere alle modne enkeltværktøjer. Muligheden er især tydelig inden for verifikation, debugging, lokal drift, avanceret pakning og LLM-native brugerflader. Rapportering fra DAC beskriver, hvordan agentisk AI bevæger sig ind i flowet fra RTL-generering og oprettelse af testbenches til simulering, formel verifikation og fejlsøgning. 17

Eksempler fra den tilgængelige research omfatter:

• Xpeedic, hvis kompetencer inden for signal- og effektintegritet kan kombineres med agentisk analyse af systemer, pakker og avanceret emballering.
• XEPIC, som har annonceret fundamentet XEPIC Intelligent System med intelligente systemer til verifikation og design samt en hurtigere simuleringsløsning. 17
• UniVista, som har beskrevet en agentisk designplatform, der kan koordinere RTL-design, verifikation, fejlretning og optimering på en indenlandsk udviklet EDA-arkitektur. 17
• Chips Z, Banxin og Zhiwei Chuangxin, som illustrerer den bredere satsning på indenlandsk kontrollerede værktøjskæder, specialiserede design- og verifikationsagenter samt LLM-native ingeniørgrænseflader.

Det mest overbevisende produktmønster er et evidens-loop: Agenten genererer en hypotese eller en rettelse, kører simulering eller formel verifikation, undersøger et modbevis eller en kvalitetsmåling og sender evidensen tilbage til agenten. Det er mere troværdigt end at bede en generel model om at generere en chip og stole på resultatet uden domænekontroller.

Det ofte gentagne estimat om, at ingeniører bruger omkring 60 procent af deres tid på debugging og procespræget arbejde, bør behandles som et brancheestimat og ikke som en universel måling. Muligheden er dog klar: Gentagen triage, sporanalyse, testoprettelse, lokalisering af rodårsager og reparation af regressioner er oplagte mål for automatisering. 17

Den egentlige EDA-kamp handler om evidens

Det vigtigste signal fra DAC 2026 var ikke, at autonomt chipdesign allerede er løst. Det var, at de store EDA-leverandører nu ser agentiske arbejdsgange som den næste måde at udbygge deres platformfordele på.

Synopsys fremhæver autonomistigen, AgentEngineer, verifikationslukning og bredden fra silicium til systemer. Cadence fremhæver koordinering af specialiserede agenter, vedvarende designkontekst og multiphysisk ræsonnering. Siemens fremhæver selvverificering, MCP-baseret værktøjsintegration og en bredere industriel digital tråd.

Den fælles udfordring er tillid. En brugbar EDA-agent skal kunne forklare, hvad den har ændret, reproducere arbejdsgangen, bevare designets intention og dokumentere med deterministiske beviser, at resultatet overholder de relevante begrænsninger.

Den kortsigtede vinder bliver derfor næppe leverandøren med den mest velformulerede model. Det bliver den, hvis agenter kan arbejde sikkert i kundernes eksisterende data-, IP-, sikkerheds-, simulerings- og signoff-flows – og omsætte hver autonom handling til dokumenterbar ingeniørevidens.