Comment Synopsys, Cadence et Siemens veulent rendre la conception des puces agentique

DAC 2026 a fait de l’IA agentique un enjeu de plateforme pour l’automatisation de la conception électronique — ou EDA, pour electronic design automation. Synopsys, Cadence et Siemens EDA ne présentent plus l’IA comme un simple assistant conversationnel capable de générer du RTL ou de retrouver une information dans la documentation. Leurs nouveaux systèmes doivent décomposer un objectif d’ingénierie, appeler les outils EDA appropriés, interpréter les mesures et répéter la boucle jusqu’à l’obtention d’un résultat satisfaisant. 217

La question stratégique change donc de nature. Le futur leader ne sera pas forcément celui qui dispose du modèle généraliste le plus performant, mais celui qui saura relier un agent aux données de conception, aux solveurs déterministes, aux preuves de vérification, aux contrôles de sécurité et aux processus de validation finale (signoff).

Ce qui change avec l’EDA agentique

Les outils EDA traditionnels exécutent des opérations bien définies : synthèse, simulation, vérification formelle, placement-routage, analyse temporelle ou validation physique. Un système agentique ajoute une couche de planification et de coordination à ces outils spécialisés.

Dans une boucle typique, l’agent :

1. interprète un objectif de conception ou un échec ;
2. sélectionne les outils et sous-tâches pertinents ;
3. génère ou modifie du RTL, des contraintes, des tests ou des configurations ;
4. lance des simulations déterministes, des contrôles formels ou des analyses physiques ;
5. lit les métriques, journaux, chronogrammes ou contre-exemples produits ;
6. propose une nouvelle modification et recommence le processus.

Les travaux consacrés à l’IA agentique pour le design physique décrivent une boucle comparable : comprendre des objectifs formulés en langage naturel, appeler des outils EDA, analyser leurs sorties, modifier la configuration ou le code, puis améliorer progressivement le résultat à partir de mesures de qualité. 1

La différence avec un copilote est essentielle. Un copilote suggère l’action suivante ; un workflow agentique peut prendre en charge une séquence plus longue d’actions, tout en restant encadré par des outils d’ingénierie et des objectifs définis par l’humain.

Synopsys : une échelle d’autonomie autour d’AgentEngineer

La stratégie de Synopsys s’articule autour d’une progression d’autonomie L1-L5. L’objectif est de passer de l’assistance et de l’automatisation guidée à des workflows d’ingénierie de plus en plus indépendants, jusqu’à couvrir plusieurs domaines de conception. La frontière entre les niveaux relève toutefois de la feuille de route de Synopsys et non d’une norme industrielle universelle : il faut donc les lire comme le cadre de mesure de l’entreprise, et non comme une certification reconnue par tous.

Le cœur opérationnel de cette stratégie est AgentEngineer. À DAC, Synopsys a décrit un orchestrateur capable de diviser un objectif de vérification en tâches plus petites, de coordonner des agents spécialisés, d’appeler les outils EDA, d’examiner les résultats et de poursuivre le travail dans une boucle fermée. Synopsys et NVIDIA parlent de workflows entièrement autonomes et capables de fonctionner longtemps pour la conception de puces et de systèmes électroniques. 314

Synopsys a notamment mis en avant la vérification autonome, l’analyse des causes profondes et la clôture du débogage. Les démonstrations communiquées par l’entreprise revendiquent jusqu’à 50 fois moins de temps pour parvenir à un RTL validé et une amélioration de 20 % de la couverture. Ces chiffres restent des résultats annoncés par le fournisseur, et non des benchmarks indépendants. 19

Un autre workflow Synopsys, développé avec Microsoft Discovery, a fait état de réductions préliminaires de 25 à 40 % du temps consacré aux cycles de débogage. Là encore, il s’agit d’une première évaluation et non d’une mesure générale de performance en production. 17

Du RTL à la simulation thermique

Synopsys étend également le concept agentique au-delà de la logique numérique. Sa stratégie présentée à DAC couvre des workflows électroniques fortement dépendants de la physique, comme la simulation thermique : l’agent peut contribuer à préparer une simulation, l’exécuter, évaluer le résultat et affiner le processus. Le positionnement plus large, « du silicium aux systèmes », est renforcé par le portefeuille Ansys de Synopsys et dépasse un simple flow RTL-vers-GDS. 1417

L’avantage stratégique recherché est la largeur de couverture. Si une même couche d’orchestration peut fonctionner aussi bien pour la vérification que pour la physique au niveau système, Synopsys pourra présenter l’EDA agentique comme un environnement d’ingénierie continu plutôt que comme une juxtaposition d’assistants isolés.

Cadence : des agents spécialisés et une mémoire de conception persistante

Cadence suit une voie différente. Son discours public met l’accent sur une hiérarchie d’agents spécialisés coordonnés par un super-agent IA de niveau supérieur, associé au ChipStack AI Super Agent et à des références évoquant AgentStack ou AuraStack. La nomenclature n’étant pas confirmée de façon homogène dans les sources disponibles, les références à AgentStack et au ChipStack AI Super Agent sont les plus prudentes. 218

Le concept le plus distinctif de Cadence est le Mental Model, ou modèle mental. Au lieu de dépendre uniquement de la requête immédiate, l’agent doit conserver un contexte structuré et propre au projet : contraintes, historique, intention de conception et décisions déjà prises. Cette capacité est importante dans la conception des puces, où une modification localement raisonnable peut enfreindre un budget temporel, une contrainte de boîtier, un objectif de consommation ou un choix architectural antérieur.

Cadence insiste également sur l’accélération multiphysique. Son ambition est de permettre aux agents de raisonner simultanément sur les effets électriques, thermiques, mécaniques et fluidiques, afin qu’une décision de conception soit évaluée selon ses conséquences au niveau du système, et pas seulement à partir de métriques numériques. 1718

Sur le plan stratégique, Cadence mise donc sur la cohérence de l’architecture et sur le contexte. Il ne s’agit pas simplement d’automatiser une étape, mais de faire comprendre à l’agent que la conception est un système persistant, traversé par des contraintes interdépendantes.

Siemens : instaurer la confiance par l’auto-vérification

Siemens EDA cherche à se différencier avec son Fuse EDA AI Agent, centré sur la confiance. Le principe consiste à soumettre les actions proposées par l’agent à une boucle d’auto-vérification, dans laquelle les moteurs Siemens déterministes et fondés sur la physique contrôlent le résultat avant sa progression dans le workflow. 2

Fuse repose sur une architecture Model Context Protocol (MCP) évolutive. Le MCP fournit une manière commune de relier une couche d’orchestration aux outils et aux informations d’ingénierie couvrant notamment le RTL, la vérification, la conception analogique et personnalisée, le placement-routage et la validation physique. 2

Cette approche répond à l’un des principaux risques de l’ingénierie autonome : un modèle de langage peut produire un plan plausible mais physiquement incorrect. Dans un workflow auto-vérifié, le contrôle de référence vient de l’outil métier. Si une contrainte temporelle, géométrique, physique ou formelle rejette l’action proposée, le workflow peut utiliser cette preuve pour réviser son plan.

Siemens met aussi en avant une extension vers le fil numérique industriel. Sa vision agentique peut relier les décisions de conception à la planification de la production et à l’ordonnancement de la chaîne d’approvisionnement, au-delà de la seule implémentation de la puce. Son avantage potentiel tient donc autant à l’autonomie qu’à la capacité de la contraindre par des preuves industrielles et par les réalités de l’exécution en aval.

NVIDIA devient la couche d’infrastructure commune

NVIDIA ne remplace pas les acteurs historiques de l’EDA en tant que fournisseur traditionnel de logiciels de conception. L’entreprise fournit plutôt plusieurs couches susceptibles de soutenir la nouvelle architecture agentique — tout en créant un possible point de dépendance vis-à-vis de sa plateforme.

NVIDIA a investi 2 milliards de dollars dans Synopsys dans le cadre d’un partenariat pluriannuel élargi consacré à l’ingénierie pilotée par l’IA et à l’accélération des workloads EDA. 13

Cette infrastructure couvre plusieurs fonctions :

• Calcul accéléré : Grace Blackwell est utilisé pour la simulation et l’inférence IA. Synopsys affirme que les microservices d’inférence NVIDIA NIM ont permis de doubler la vitesse d’accès à l’information de son Copilot d’IA générative. NVIDIA a de son côté annoncé une accélération de 34 fois par rapport au CPU pour un cas de simulation aérodynamique avec Fluent. Ces chiffres correspondent à des cas d’usage communiqués par les entreprises, et non à des benchmarks EDA universels. 1516
• Modèles et orchestration : le workflow présenté par Synopsys à DAC utilisait Nemotron, le NVIDIA Agent Toolkit et le runtime OpenShell pour l’exécution et la gouvernance des agents. 314
• Accélération de la physique : les bibliothèques CUDA-X et PhysicsNeMo de NVIDIA doivent soutenir les workflows d’ingénierie très dépendants de la simulation. 2
• Performance CPU : le processeur Vera cible les workloads intensifs en calcul et les traitements séquentiels qui restent importants dans l’EDA conventionnelle. NVIDIA indique travailler avec Cadence et Synopsys à l’optimisation de leurs applications ; des tests communiqués par l’entreprise font état d’un gain d’environ 1,5 fois pour Cadence Jasper et Synopsys VCS, des chiffres qui restent déclarés par le fournisseur. 45

Le résultat est une compétition à plusieurs niveaux. Les sociétés EDA contrôlent les bases de données de conception, les outils métier et les flows de signoff ; NVIDIA apporte le calcul, les modèles, des composants d’orchestration et l’infrastructure d’exécution. Les clients peuvent bénéficier de workflows plus rapides, mais cette organisation soulève aussi une question de dépendance : quelle part de la future chaîne d’ingénierie reposera sur une même plateforme matérielle et logicielle ?

Ce que montre — et ne montre pas — l’expérience Kimi K3

La démonstration de Kimi K3 constitue un contrepoint utile aux annonces des acteurs historiques. Selon le compte rendu fourni, Kimi K3 a mené pendant 48 heures une conception autonome, une optimisation et une vérification de puce destinée à un modèle nano, en utilisant des outils EDA open source et la bibliothèque Nangate 45 nm. La conception annoncée occupe environ 4 mm² et atteint une fréquence de 100 MHz en simulation. 17

Cette expérience apporte un élément concret en faveur de l’idée qu’un agent fondé sur un modèle de langage peut coordonner une boucle de conception complète dans un environnement contraint. Elle montre qu’il est possible de relier architecture, génération de RTL, optimisation, vérification et analyse temporelle au sein d’un processus autonome, dans des conditions favorables.

Elle ne prouve pas pour autant que les outils EDA commerciaux ou les équipes expertes de conception de puces sont devenus obsolètes. L’expérience repose sur un flow de référence mature en 45 nm, soit une technologie située environ deux décennies derrière les nœuds les plus avancés. Elle ne permet pas d’établir les performances sur des PDK modernes, la fermeture avancée du timing et de la consommation, la conception analogique, le design-for-test, l’intégration d’IP, l’analyse de fiabilité, les contraintes de fabrication ou le signoff de production.

L’expérience met aussi en évidence un problème de vérifiabilité. Le résultat rapporté provient des propres documents techniques du projet et n’a pas fait l’objet, à ce stade, d’une reproduction indépendante dans un benchmark de production. Les affirmations selon lesquelles la conception serait 20 à 30 fois moins performante que des puces contemporaines ne doivent donc pas être considérées comme une comparaison contrôlée sans preuves supplémentaires.

La conclusion la plus solide est plus limitée : les outils open source peuvent soutenir une démonstration impressionnante sur un nœud mature, tandis que les conceptions de pointe compétitives et fabricables dépendent encore fortement des données des fondeurs, des bibliothèques de procédés, de flows de signoff éprouvés et de compétences d’ingénierie spécialisées.

Pourquoi cette évolution ouvre une fenêtre aux fournisseurs chinois

L’IA agentique donne aux entreprises chinoises de l’EDA la possibilité de se battre au niveau du workflow, plutôt que de reproduire immédiatement chaque outil spécialisé arrivé à maturité. L’opportunité est particulièrement visible dans la vérification, le débogage, le déploiement local, le packaging avancé et les interfaces conçues nativement pour les grands modèles de langage. Les informations disponibles depuis DAC décrivent une intégration de l’IA agentique allant de la génération de RTL et de bancs de test à la simulation, à la vérification formelle et au débogage. 17

Les exemples mentionnés dans les travaux fournis comprennent :

• Xpeedic, dont les capacités en intégrité du signal et de l’alimentation pourraient être associées à une analyse agentique des systèmes, des boîtiers et du packaging avancé.
• XEPIC, qui a annoncé la fondation XEPIC Intelligent System, comprenant des systèmes intelligents de vérification et de conception ainsi qu’une solution de simulation accélérée. 17
• UniVista, qui décrit une plateforme de conception agentique capable de coordonner la conception RTL, la vérification, la correction et l’optimisation sur une architecture EDA développée en Chine. 17
• Chips Z, Banxin et Zhiwei Chuangxin, qui illustrent une volonté plus large de développer des chaînes d’outils contrôlées localement, des agents spécialisés pour la conception et la vérification, ainsi que des interfaces d’ingénierie natives pour les modèles de langage.

Le modèle produit le plus défendable repose sur une boucle fondée sur les preuves : générer une hypothèse ou une correction, lancer une simulation ou une vérification formelle, examiner le contre-exemple ou la métrique de qualité, puis renvoyer cette preuve à l’agent. Cette approche est plus crédible que de demander à un modèle généraliste de produire une puce et d’en accepter le résultat sans contrôle métier.

L’estimation souvent citée selon laquelle les ingénieurs consacrent environ 60 % de leur temps au débogage et aux tâches procédurales doit être considérée comme une estimation du secteur, et non comme une mesure universelle. L’opportunité sous-jacente reste néanmoins claire : le triage répétitif, l’analyse de traces, la création de tests, la localisation des causes profondes et la réparation des régressions sont des cibles naturelles pour l’automatisation. 17

Dans l’EDA, la véritable compétition porte sur les preuves

Le signal le plus important de DAC 2026 n’est pas que la conception autonome de puces serait déjà résolue. C’est plutôt que les grands fournisseurs EDA considèrent désormais les workflows agentiques comme la prochaine manière d’étendre leur avantage de plateforme.

Synopsys met en avant une échelle d’autonomie, AgentEngineer, la clôture de la vérification et une couverture allant du silicium aux systèmes. Cadence insiste sur la coordination d’agents spécialisés, le contexte de conception persistant et le raisonnement multiphysique. Siemens fait de l’auto-vérification, de l’intégration d’outils par MCP et d’un fil industriel plus large ses principaux arguments.

Leur défi commun est la confiance. Un agent EDA utile doit pouvoir expliquer ce qu’il a modifié, reproduire le workflow, préserver l’intention de conception et présenter des preuves déterministes que le résultat respecte les contraintes applicables.

À court terme, le vainqueur ne sera donc probablement pas le fournisseur doté du modèle le plus éloquent. Ce sera celui dont les agents sauront fonctionner en sécurité dans les flux existants de données, d’IP, de sécurité, de simulation et de signoff — et transformer chaque action autonome en preuve d’ingénierie vérifiable.