Slik vil Synopsys, Cadence og Siemens gjøre brikkedesign agentisk

DAC 2026 gjorde agentisk kunstig intelligens til en plattformkamp i elektronisk designautomatisering, eller EDA. Synopsys, Cadence og Siemens EDA presenterer ikke lenger KI bare som en samtalebasert assistent for å skrive RTL-kode eller lete i dokumentasjon. De bygger systemer som kan dele opp et teknisk mål, hente inn etablerte EDA-verktøy, tolke målinger og fortsette arbeidet til et bestemt resultat er nådd. 217

Det flytter det strategiske spørsmålet. Vinneren blir ikke nødvendigvis leverandøren med den mest imponerende generelle språkmodellen. Det kan bli selskapet som best kobler en agent til designdata, deterministiske beregningsverktøy, verifikasjonsbevis, sikkerhetskontroller og produksjonsgodkjenning.

Fra KI-assistent til agentisk arbeidsflyt

Tradisjonelle EDA-verktøy utfører avgrensede oppgaver som syntese, simulering, formell verifikasjon, plassering og ruting, tidsanalyse eller fysisk signoff. Et agentisk EDA-system legger et planleggings- og koordineringslag rundt disse verktøyene.

En typisk sløyfe kan se slik ut:

1. Agenten tolker et designmål eller en feil.
2. Den velger relevante verktøy og deloppgaver.
3. Den genererer eller endrer RTL, begrensninger, tester eller konfigurasjoner.
4. Den kjører deterministiske simuleringer, formelle kontroller eller fysisk analyse.
5. Den leser målinger, logger, bølgeformer eller moteksempler.
6. Den foreslår en ny endring og gjentar prosessen.

Forskning på agentisk fysisk design beskriver en tilsvarende modell: systemet tolker mål i naturlig språk, kaller EDA-verktøy, analyserer resultatene, endrer konfigurasjoner eller kildekode og forbedrer løsningen gjennom gjentatte målinger av resultatkvaliteten. 1

Forskjellen fra en copilot er viktig. En copilot foreslår neste handling. En agentisk arbeidsflyt kan ta ansvar for en lengre serie handlinger, samtidig som den er begrenset av ingeniørverktøy og mål definert av mennesker.

Synopsys: en autonomitrapp rundt AgentEngineer

Synopsys organiserer strategien sin rundt en L1–L5-modell for autonomi. Tanken er å bevege seg fra assistanse og veiledet automatisering mot stadig mer selvstendige arbeidsflyter på tvers av flere designdomener. Grensene mellom nivåene er Synopsys’ egen veikartmodell, ikke en universell sertifiseringsstandard.

Det praktiske tyngdepunktet er AgentEngineer. På DAC beskrev Synopsys en orkestrator som kan dele opp et verifikasjonsmål i mindre oppgaver, koordinere spesialiserte agenter, kalle EDA-verktøy, undersøke resultatene og fortsette i en lukket sløyfe. Synopsys og NVIDIA omtaler dette som autonome, langvarige arbeidsflyter for utvikling av brikker og elektroniske systemer. 314

Synopsys fremhevet særlig autonom verifikasjon, årsaksanalyse og feilsøking. Selskapets egne demonstrasjoner hevdet opptil 50 ganger raskere tid frem til validert RTL og 20 prosent bedre dekning. Dette er leverandørens egne tall, ikke resultater fra en uavhengig standardisert benchmark. 19

En separat arbeidsflyt utviklet av Synopsys sammen med Microsoft Discovery rapporterte foreløpige reduksjoner på 25–40 prosent i tiden brukt på feilsøkingssykluser. Også dette bør tolkes som en tidlig evaluering, ikke som en generell produksjonsmåling. 17

Fra RTL til termisk simulering

Synopsys utvider den agentiske ideen utover digital logikk. Strategien på DAC omfatter fysikktunge arbeidsflyter for elektroniske systemer, blant annet termisk simulering. Her kan en agent sette opp en simulering, kjøre den, vurdere resultatet og forbedre arbeidsflyten.

Selskapets bredere «silisium til systemer»-posisjon styrkes av Ansys-porteføljen og går dermed lenger enn en klassisk RTL-til-GDS-flyt. 1417

Den strategiske fordelen er bredde. Hvis den samme orkestreringsmodellen kan brukes på både verifikasjon og systemnivå-fysikk, kan Synopsys selge agentisk EDA som et sammenhengende utviklingsmiljø – ikke bare som en samling separate assistenter.

Cadence: spesialistagenter og varig designkontekst

Cadence følger en annen linje. Selskapets offentlige posisjonering bygger på et hierarki av spesialistagenter som koordineres av en overordnet KI-agent, knyttet til ChipStack AI Super Agent og omtale av AgentStack eller AuraStack. Navnebruken er ikke konsekvent bekreftet i tilgjengelig materiale, og AgentStack og ChipStack AI Super Agent er derfor de sikreste referansene. 218

Cadences mest særpregede idé er Mental Model. I stedet for å basere seg utelukkende på den siste instruksjonen skal agenten opprettholde en strukturert, prosjektspesifikk forståelse av designets begrensninger, historikk, hensikt og tidligere beslutninger.

Det er viktig fordi brikkedesign er svært kontekstavhengig. En endring som ser fornuftig ut lokalt, kan bryte et tidsbudsjett, et effektmål, en kapslingsbegrensning eller en arkitektonisk beslutning som ble tatt tidligere i prosjektet.

Cadence fremhever også akselerasjon av flerfysikk. Målet er at agenter skal kunne resonnere på tvers av elektriske, termiske, mekaniske og fluidiske effekter, slik at designvalg vurderes ut fra konsekvenser på systemnivå – ikke bare digitale nøkkeltall. 1718

Strategisk konkurrerer Cadence dermed på arkitektonisk helhet og kontekst. Målet er ikke bare å automatisere ett trinn, men å la agenten forstå designet som et vedvarende system med gjensidig avhengige begrensninger.

Siemens: tillit gjennom selvverifisering

Siemens EDA skiller seg ut med Fuse EDA AI Agent, som er bygget rundt tillit. Hovedideen er en selvverifiserende sløyfe der agentens forslag kontrolleres mot Siemens’ deterministiske, fysikkbaserte motorer før resultatet får gå videre. 2

Fuse bruker en skalerbar arkitektur basert på Model Context Protocol, eller MCP. Protokollen gir en felles måte å koble et orkestreringslag til verktøy og teknisk informasjon innen blant annet RTL, verifikasjon, analog- og spesialdesign, plassering og ruting samt fysisk signoff. 2

Dette svarer på en sentral risiko ved autonom ingeniørarbeid: En språkmodell kan lage en plan som virker overbevisende, men som er fysisk ugyldig. I en selvverifiserende arbeidsflyt kommer den autoritative kontrollen fra fagverktøyet. Hvis tidskrav, geometri, fysikk eller andre formelle begrensninger avviser forslaget, kan agenten bruke bevisene til å revidere planen.

Siemens ser også en bredere mulighet i den digitale tråden. Agentene kan koble designbeslutninger til produksjonsplanlegging og planlegging av forsyningskjeden. Differensieringen handler dermed ikke bare om autonomi, men om autonomi som er bundet til industrielle data og gjennomføring lenger ned i verdikjeden.

NVIDIA blir et felles infrastrukturlag

NVIDIA erstatter ikke de etablerte EDA-selskapene som en tradisjonell EDA-leverandør. I stedet leverer selskapet flere av lagene som kan støtte den nye agentiske stakken – og skaper samtidig et mulig avhengighetsforhold til en felles plattform.

NVIDIA investerte 2 milliarder dollar i Synopsys som del av et utvidet flerårig samarbeid om KI-drevet ingeniørarbeid og akselererte EDA-arbeidslaster. 13

Infrastrukturen dekker flere områder:

• Akselerert databehandling: Grace Blackwell brukes til simulering og KI-inferens. Synopsys rapporterte at NVIDIAs NIM-inferensmikrotjenester ga dobbelt så rask tilgang til informasjon i den generative KI-copiloten. NVIDIA har på sin side rapportert 34 ganger høyere hastighet enn CPU i et Fluent-eksempel for aerodynamisk simulering. Dette er resultater fra bestemte bruksområder, ikke universelle EDA-benchmarks. 1516
• Modeller og orkestrering: Synopsys’ DAC-arbeidsflyt brukte NVIDIA Nemotron, NVIDIA Agent Toolkit og OpenShell-runtime for kjøring og styring av agenter. 314
• Akselerasjon av fysikk: CUDA-X- og PhysicsNeMo-bibliotekene er ment å støtte simuleringsintensive ingeniørarbeidsflyter. 2
• CPU-ytelse: Vera CPU retter seg mot beregningstunge og sekvensielle arbeidslaster som fortsatt er viktige i konvensjonell EDA. NVIDIA sier selskapet samarbeider med Cadence og Synopsys om optimalisering. Rapporterte tester viste omtrent 1,5 ganger bedre ytelse for Cadence Jasper og Synopsys VCS, men også disse tallene er leverandørrapporterte. 45

Resultatet er en konkurranse i flere lag. EDA-selskapene eier designdatabaser, domenespesifikke verktøy og signoff-flyter. NVIDIA leverer maskinvare, modeller, orkestreringskomponenter og runtime-infrastruktur. Kundene kan få raskere arbeidsflyter, men må samtidig vurdere hvor avhengig fremtidens ingeniørstakk bør være av én felles maskinvare- og programvareplattform.

Hva Kimi K3-eksperimentet viser – og ikke viser

Kimi K3-demonstrasjonen er et nyttig motstykke til de etablerte leverandørenes kunngjøringer. Ifølge prosjektets egne materialer gjennomførte Kimi K3 en autonom kjøring på 48 timer der modellen designet, optimaliserte og verifiserte en brikke for en nanomodell ved hjelp av åpen EDA-programvare og Nangate-biblioteket på 45 nanometer. Den rapporterte konstruksjonen var rundt 4 mm² og oppnådde timing på 100 MHz i simulering. 17

Det er et interessant bevis på at en LLM-basert agent kan koordinere en avgrenset designsløyfe fra ende til ende. Eksperimentet kobler arkitektur, RTL-generering, optimalisering, verifikasjon og tidsanalyse i én autonom prosess under gunstige og kontrollerte forhold.

Men det viser ikke at kommersielle EDA-verktøy eller erfarne brikkedesignteam er overflødige. Eksperimentet brukte en moden 45-nanometers referanseflyt, omtrent to tiår bak dagens mest avanserte prosessteknologi. Det dokumenterer ikke ytelse med moderne prosessdesignsett, avansert effekt- og tidsavslutning, analog design, design-for-test, IP-integrasjon, pålitelighetsanalyse, produksjonsbegrensninger eller produksjonsklar signoff.

Eksperimentet viser også et dokumentasjonsproblem. Resultatet kommer fra prosjektets egne tekniske materialer og er ikke uavhengig gjenskapt som en produksjonsbenchmark. Påstander om at ytelsen ligger 20–30 ganger under moderne brikker, bør derfor ikke behandles som en kontrollert sammenligning uten sterkere belegg.

Den forsiktige konklusjonen er smalere: Åpne verktøy kan støtte en imponerende demonstrasjon på en moden prosessteknologi, mens konkurransedyktige og produserbare brikker på ledende noder fortsatt er sterkt avhengige av støttemateriale fra foundries, prosessbiblioteker, modne signoff-flyter og spesialisert ingeniørkompetanse.

Hvorfor kinesiske EDA-selskaper ser en åpning

Agentisk KI gir kinesiske EDA-selskaper en mulighet til å konkurrere på arbeidsflytnivå, i stedet for å kopiere hvert enkelt, veletablert punktverktøy. Muligheten er særlig tydelig innen verifikasjon, feilsøking, nasjonal og lokal utrulling, avansert kapsling og LLM-baserte ingeniørgrensesnitt. Rapportering fra DAC beskriver agentisk KI i hele flyten – fra RTL-generering og testbenker til simulering, formell verifikasjon og feilsøking. 17

Eksempler fra materialet inkluderer:

• Xpeedic, der kompetanse innen signal- og strømintegritet kan kombineres med agentisk analyse av systemer, kapsling og avansert pakking.
• XEPIC, som har lansert fundamentet XEPIC Intelligent System med intelligente systemer for verifikasjon og design samt en raskere simuleringsløsning. 17
• UniVista, som har beskrevet en agentisk designplattform som kan koordinere RTL-design, verifikasjon, korrigering og optimalisering på en egenutviklet EDA-arkitektur. 17
• Chips Z, Banxin og Zhiwei Chuangxin, som illustrerer den bredere satsingen på nasjonalt kontrollerte verktøykjeder, spesialiserte design- og verifikasjonsagenter og LLM-baserte ingeniørgrensesnitt.

Den mest troverdige produktmodellen er en evidenssløyfe: Agenten lager en hypotese eller foreslår en rettelse, kjører simulering eller formell verifikasjon, undersøker moteksempelet eller kvalitetsmålingen og sender bevisene tilbake til agenten. Dette er mer overbevisende enn å be en generell modell generere en brikke og stole på resultatet uten domenekontroller.

Det ofte gjentatte anslaget om at ingeniører bruker rundt 60 prosent av tiden på feilsøking og prosesspreget arbeid, bør behandles som et bransjeanslag – ikke som en universell måling. Muligheten er likevel tydelig: Repetitiv sortering, sporanalyse, testgenerering, lokalisering av rotårsak og reparasjon av regresjoner er attraktive områder for automatisering. 17

Den virkelige EDA-kampen handler om bevis

Det viktigste signalet fra DAC 2026 er ikke at autonomt brikkedesign allerede er løst. Det er at de store EDA-leverandørene nå ser agentiske arbeidsflyter som den neste måten å utvide plattformfordelene sine på.

Synopsys fremhever en autonomitrapp, AgentEngineer, verifikasjonsavslutning og bredde fra silisium til systemer. Cadence fremhever koordinering mellom spesialistagenter, varig designkontekst og flerfysisk resonnering. Siemens fremhever selvverifisering, MCP-basert verktøyintegrasjon og en bredere industriell tråd.

Felles for dem er tillitsutfordringen. En nyttig EDA-agent må kunne forklare hva den endret, gjenskape arbeidsflyten, bevare designintensjonen og vise deterministiske bevis på at resultatet tilfredsstiller relevante krav.

Den kortsiktige vinneren blir derfor neppe leverandøren med den mest velformulerte modellen. Det blir selskapet hvis agenter kan arbeide trygt i eksisterende data-, IP-, sikkerhets-, simulerings- og signoff-flyter – og gjøre hver autonom handling om til etterprøvbare ingeniørbevis.