Synopsys, Cadence ve Siemens çip tasarımını otonomlaştırmak için yarışıyor

EDA’da yapay zekâ için yeni dönem

DAC 2026, ajanik yapay zekâyı elektronik tasarım otomasyonunda (EDA) doğrudan bir platform rekabetine dönüştürdü. Synopsys, Cadence ve Siemens EDA artık yapay zekâyı yalnızca RTL kodu yazan, doküman arayan veya bir sonraki adımı öneren sohbet tabanlı yardımcılar olarak sunmuyor. Yeni sistemler; mühendislik hedeflerini parçalara ayırmak, yerleşik EDA araçlarını çağırmak, ölçümleri yorumlamak ve hedefe ulaşılana kadar döngüyü tekrarlamak üzere tasarlanıyor. 217

Bu değişim, stratejik soruyu da yeniden tanımlıyor. Yarışı, en yetenekli genel amaçlı modele sahip şirket değil; ajanını tasarım verilerine, deterministik çözücülere, doğrulama kanıtlarına, güvenlik kontrollerine ve üretim öncesi nihai onay süreçlerine bağlayabilen şirket kazanabilir.

“Copilot” ile ajanik iş akışı arasındaki fark

Geleneksel EDA araçları sentez, simülasyon, biçimsel doğrulama, yerleşim-yönlendirme, zamanlama analizi ve fiziksel imza gibi belirli işlemleri yürütür. Ajanik EDA ise bu araçların çevresine planlama ve koordinasyon katmanı ekler.

Tipik bir döngüde ajan:

1. tasarım hedefini veya hatayı yorumlar;
2. ilgili araçları ve alt görevleri seçer;
3. RTL kodu, kısıtları, testleri veya yapılandırmaları üretir ya da değiştirir;
4. deterministik simülasyonları, biçimsel kontrolleri veya fiziksel analizleri çalıştırır;
5. metrikleri, günlükleri, dalga biçimlerini veya karşı örnekleri inceler;
6. yeni bir değişiklik önererek süreci tekrarlar.

Ajanik fiziksel tasarım araştırmaları da doğal dildeki hedeflerin yorumlanması, EDA araçlarının çağrılması, çıktıların analiz edilmesi, kod veya yapılandırmaların değiştirilmesi ve kalite sonuçları ölçülerek yineleme yapılması şeklinde benzer bir model tanımlıyor. 1

Buradaki kritik ayrım şu: Copilot bir sonraki adımı önerir; ajan ise insanın tanımladığı hedefler ve mühendislik araçlarının sınırları içinde daha uzun bir eylem zincirini üstlenebilir.

Synopsys: AgentEngineer etrafında kurulan otonomi merdiveni

Synopsys, stratejisini L1’den L5’e uzanan bir otonomi çerçevesiyle anlatıyor. Yaklaşım, yapay zekâ destekli yardım ve yönlendirilmiş otomasyondan daha bağımsız mühendislik iş akışlarına, uzun vadede ise birden fazla tasarım alanını kapsayan otonomiye ilerlemeyi hedefliyor. Bu seviyeler sektör genelinde kabul edilmiş bir sertifikasyon standardı değil; Synopsys’in otonomiyi ölçmek için kullandığı yol haritası olarak okunmalı.

Bu yaklaşımın merkezinde AgentEngineer yer alıyor. Synopsys, DAC’ta doğrulama hedefini daha küçük görevlere bölebilen, uzman ajanları ve EDA araçlarını koordine eden, sonuçları inceleyen ve kapalı döngü içinde çalışmayı sürdüren bir orkestratör tanıttı. Synopsys ve NVIDIA bu sistemi çip ve elektronik sistem tasarımı için uzun süre çalışan, tamamen otonom iş akışları olarak tanımladı. 314

Şirket; otonom doğrulama, kök neden analizi ve hata ayıklama kapanışını öne çıkardı. Synopsys’in açıkladığı gösterimlerde doğrulanmış RTL’e ulaşma süresinin 50 kata kadar hızlandığı ve kapsama oranında yüzde 20 artış sağlandığı iddia edildi. Ancak bunlar bağımsız kıyaslama sonuçları değil, şirket tarafından bildirilen rakamlar. 19

Microsoft Discovery ile geliştirilen ayrı bir Synopsys iş akışında ise hata ayıklama döngüsünde yüzde 25 ila yüzde 40 arasında ön değerlendirme niteliğinde azalma bildirildi. Bu sonuç da genel geçer bir üretim kıstası olarak değil, erken dönem bir değerlendirme olarak ele alınmalı. 17

RTL’den termal simülasyona

Synopsys, ajanik yaklaşımı dijital mantığın ötesine taşımaya çalışıyor. Şirketin DAC stratejisinde termal simülasyon gibi fizik ağırlıklı elektronik sistem iş akışları da bulunuyor. Böyle bir süreçte ajan simülasyonu kurmaya, çalıştırmaya, çıktıyı değerlendirmeye ve iş akışını iyileştirmeye yardımcı olabilir.

Ansys portföyüyle güçlenen bu yaklaşım, Synopsys’in “silisyumdan sistemlere” söylemini yalnızca RTL’den GDS’e uzanan dijital akışın ötesine taşıyor. 1417

Bu stratejinin avantajı kapsam. Aynı orkestrasyon katmanı doğrulamadan sistem düzeyindeki fizik analizlerine kadar çalışabilirse, ajanik EDA birbirinden kopuk yardımcı araçlar toplamı değil, süreklilik taşıyan bir mühendislik ortamı olarak konumlanabilir.

Cadence: uzman ajanlar ve kalıcı tasarım bağlamı

Cadence farklı bir yol izliyor. Şirketin kamuya açık konumlandırması, daha üst düzey bir yapay zekâ “süper ajanı” tarafından koordine edilen uzman ajanlar hiyerarşisine dayanıyor. Mevcut kaynaklarda ChipStack AI Super Agent ile birlikte AgentStack adı kullanılırken, AuraStack adı tüm kaynaklarda aynı ölçüde doğrulanmıyor. Bu nedenle daha temkinli referanslar AgentStack ve ChipStack AI Super Agent. 218

Cadence’in en özgün kavramı Mental Model. Ajanın yalnızca anlık isteme dayanması yerine; projenin kısıtlarını, geçmişini, tasarım niyetini ve önceki kararlarını içeren yapılandırılmış, tasarıma özgü bir bağlamı koruması hedefleniyor.

Bu bağlam çip tasarımında özellikle önemli. Yerel olarak mantıklı görünen bir değişiklik; zamanlama bütçesini, paketleme kısıtlarını, güç hedefini veya daha önce alınmış mimari bir kararı ihlal edebilir. Mental Model yaklaşımı, ajanın bu ilişkileri tasarımın devamlılığı içinde değerlendirmesini amaçlıyor.

Cadence ayrıca çoklu fizik analizlerini hızlandırmayı vurguluyor. Ajanların elektriksel, termal, mekanik ve akışkan etkiler arasında akıl yürütebilmesi; tasarım kararlarının yalnızca dijital metriklere göre değil, sistem düzeyindeki sonuçlarına göre de değerlendirilmesini sağlayabilir. 1718

Stratejik olarak Cadence, mimari bütünlük ve bağlam üzerinden rekabet ediyor. Hedef, tek bir tasarım aşamasını otomatikleştirmekten çok, etkileşim hâlindeki kısıtları olan tasarımı kalıcı bir sistem olarak anlayan bir ajan oluşturmak.

Siemens: güveni öz doğrulamayla kurmak

Siemens EDA, Fuse EDA AI Agent yaklaşımını güvenilirlik üzerinden farklılaştırıyor. Temel fikir, ajanın önerdiği eylemlerin sürecin ilerlemesine izin verilmeden önce Siemens’in deterministik ve fizik tabanlı motorlarıyla kontrol edilmesi. 2

Fuse, ölçeklenebilir bir Model Context Protocol (MCP) mimarisi üzerine kuruluyor. MCP, orkestrasyon katmanının RTL, doğrulama, analog ve özel tasarım, yerleşim-yönlendirme ve fiziksel imza gibi alanlardaki araçlarla ve mühendislik bilgileriyle ortak bir yöntem üzerinden bağlantı kurmasını sağlıyor. 2

Bu yaklaşım, otonom mühendisliğin temel risklerinden birine yanıt veriyor: Dil modeli makul görünen ancak fiziksel olarak geçersiz bir plan üretebilir. Öz doğrulamalı bir iş akışında nihai otorite alan aracıdır. Zamanlama, geometri, fizik veya başka bir biçimsel kısıt önerilen eylemi reddederse, ajan bu kanıtı kullanarak planını gözden geçirebilir.

Siemens’in vizyonu daha geniş bir dijital iş parçacığına da uzanıyor. Tasarım kararlarını üretim planlaması ve tedarik zinciri çizelgelemesiyle ilişkilendiren ajanlar, iş akışını yalnızca çip uygulamasının değil, üretime ve sonraki operasyonlara uzanan endüstriyel sürecin parçası hâline getirebilir.

NVIDIA ortak altyapı katmanına dönüşüyor

NVIDIA, geleneksel anlamda bir EDA şirketi olarak mevcut oyuncuların yerini almıyor. Bunun yerine yeni ajanik yığını destekleyen çeşitli katmanları sağlıyor ve bu süreçte gelecekteki mühendislik altyapısının ortak bir platforma bağımlı hâle gelmesi ihtimalini artırıyor.

NVIDIA, yapay zekâ destekli mühendislik ve hızlandırılmış EDA iş yüklerine odaklanan genişletilmiş, çok yıllı ortaklığın parçası olarak Synopsys’e 2 milyar dolar yatırım yaptı. 13

Bu altyapı birkaç bileşenden oluşuyor:

• Hızlandırılmış hesaplama: Grace Blackwell simülasyon ve yapay zekâ çıkarımı için kullanılıyor. Synopsys, NVIDIA NIM çıkarım mikro hizmetlerinin üretken yapay zekâ destekli Copilot’unda bilgiye ulaşma süresini iki kat hızlandırdığını bildirdi. NVIDIA ise Fluent aerodinamik simülasyonundaki bir kullanım senaryosunda CPU’ya kıyasla 34 kat hız iddia etti. Bunlar tüm EDA iş akışlarına genellenebilecek evrensel kıyaslamalar değil, bildirilen kullanım senaryosu sonuçlarıdır. 1516
• Modeller ve orkestrasyon: Synopsys’in DAC iş akışında NVIDIA Nemotron, NVIDIA Agent Toolkit ve ajanların çalıştırılması ile yönetişimi için OpenShell çalışma zamanı kullanıldı. 314
• Fizik hızlandırma: NVIDIA’nın CUDA-X ve PhysicsNeMo kütüphaneleri, simülasyon yoğun mühendislik iş akışlarını desteklemeyi amaçlıyor. 2
• CPU performansı: Vera CPU, geleneksel EDA’da hâlâ önemli olan hesaplama yoğun ve sıralı iş yüklerini hedefliyor. NVIDIA, uygulamaları optimize etmek için Cadence ve Synopsys ile çalıştığını belirtiyor. Şirketin testlerinde Cadence Jasper ve Synopsys VCS için yaklaşık 1,5 kat performans artışı bildirildi; bu rakamlar da şirket kaynaklı. 45

Böylece rekabet katmanlı bir hâl alıyor: EDA şirketleri tasarım veritabanlarına, alan araçlarına ve imza süreçlerine sahipken NVIDIA hesaplama, modeller, orkestrasyon bileşenleri ve çalışma zamanı altyapısı sağlıyor. Müşteriler daha hızlı iş akışlarından yararlanabilir; ancak gelecekteki mühendislik yığınının ne kadarının ortak bir donanım ve yazılım platformuna dayanacağı sorusu da önem kazanıyor.

Kimi K3 deneyi neyi gösteriyor?

Kimi K3 gösterimi, büyük EDA şirketlerinin duyurularına faydalı bir karşı örnek sunuyor. Kimi’nin teknik materyallerine göre model, açık kaynak EDA araçları ve Nangate 45 nanometrelik kütüphaneyi kullanarak bir nano model için çipi 48 saatlik otonom bir çalışmada tasarladı, optimize etti ve doğruladı. Tasarımın yaklaşık 4 milimetrekare alana sahip olduğu ve simülasyonda zamanlamayı 100 MHz’de kapattığı bildirildi. 17

Bu sonuç, LLM tabanlı bir ajanın kısıtlı bir uçtan uca tasarım döngüsünü koordine edebildiğine dair anlamlı bir gösterge. Mimari tasarım, RTL üretimi, optimizasyon, doğrulama ve zamanlama analizinin uygun koşullarda tek bir otonom süreçte birleştirilebileceğini gösteriyor.

Ancak deney, ticari EDA araçlarının veya uzman çip tasarım ekiplerinin artık gereksiz olduğunu kanıtlamıyor. Kullanılan akış, öncü üretim teknolojilerinin yaklaşık yirmi yıl gerisinde bulunan olgun bir 45 nanometrelik referans sürecine dayanıyor. Modern süreç tasarım kitleri, gelişmiş güç ve zamanlama kapanışı, analog tasarım, tasarım-for-test, IP entegrasyonu, güvenilirlik analizi, üretim kısıtları veya üretim öncesi nihai onay konusunda kanıt sunmuyor.

Ayrıca deneyin kanıt standardı da sınırlı. Sonuç, projenin kendi materyallerindeki teknik bir gösterime dayanıyor; bağımsız olarak tekrarlanmış bir üretim kıyaslaması değil. Tasarımın güncel çiplere kıyasla 20 ila 30 kat daha düşük performans gösterdiği iddiası, daha güçlü kanıt olmadan kontrollü bir karşılaştırma olarak kabul edilmemeli.

En dikkatli sonuç şu: Açık kaynak araçlar olgun bir süreç düğümünde etkileyici bir gösterimi mümkün kılabiliyor. Buna karşılık rekabetçi ve üretilebilir öncü düğüm tasarımları hâlâ dökümhane verilerine, süreç kütüphanelerine, olgun imza akışlarına ve uzman mühendislik bilgisine büyük ölçüde ihtiyaç duyuyor.

Çinli EDA şirketleri için açılan alan

Ajanik yapay zekâ, Çinli EDA şirketlerine her olgun nokta aracını ayrı ayrı yeniden üretmek yerine iş akışı düzeyinde rekabet etme fırsatı veriyor. Bu fırsat özellikle doğrulama, hata ayıklama, yerli kurulum, ileri paketleme ve LLM odaklı arayüzlerde belirginleşiyor. DAC haberlerinde ajanik yapay zekânın RTL üretimi ve test ortamı oluşturmadan simülasyon, biçimsel doğrulama ve hata ayıklamaya kadar akışa girdiği aktarılıyor. 17

Kaynaklarda öne çıkan örnekler şunlar:

• Xpeedic: Sinyal ve güç bütünlüğü yetenekleri; ajan tabanlı sistem, paket ve ileri paketleme analizleriyle birleştirilebilir.
• XEPIC: Şirket, akıllı doğrulama ve tasarım sistemlerini içeren XEPIC Intelligent System temelini ve daha hızlı bir simülasyon çözümünü duyurdu. 17
• UniVista: Şirket, yerli geliştirilen EDA mimarisi üzerinde RTL tasarımı, doğrulama, düzeltme ve optimizasyonu koordine edebilen ajan tabanlı bir tasarım platformu tanımladı. 17
• Chips Z, Banxin ve Zhiwei Chuangxin: Bu şirketler; yerli kontrol edilen araç zincirlerine, uzmanlaşmış tasarım ve doğrulama ajanlarına ve LLM tabanlı mühendislik arayüzlerine yönelen daha geniş eğilimi temsil ediyor.

En savunulabilir ürün modeli, kanıta dayalı döngü. Ajan bir hipotez veya düzeltme üretir; simülasyon ya da biçimsel doğrulama çalıştırılır; karşı örnek veya kalite metriği incelenir ve bu kanıt ajana geri beslenir. Bu model, genel amaçlı bir modele çip ürettirip alan kontrolleri olmadan çıktıya güvenmekten daha gerçekçi.

Mühendislerin zamanının yaklaşık yüzde 60’ını hata ayıklama ve süreç ağırlıklı işlere harcadığı yönündeki sık tekrarlanan tahmin, evrensel bir ölçüm değil, bir sektör tahmini olarak değerlendirilmelidir. Bununla birlikte otomasyon fırsatı açık: tekrarlayan ön inceleme, iz analizi, test üretimi, kök neden bulma ve regresyon onarımı ajanlar için uygun hedeflerdir. 17

Gerçek rekabet model kalitesinden çok kanıt üzerinde

DAC 2026’nın en önemli mesajı, otonom çip tasarımının çözüldüğü değil; büyük EDA şirketlerinin ajanik iş akışlarını kendi platform avantajlarını genişletmenin bir sonraki yolu olarak görmeye başladığıydı.

Synopsys; otonomi merdivenini, AgentEngineer’i, doğrulama kapanışını ve silisyumdan sistemlere uzanan kapsamı öne çıkarıyor. Cadence; uzman ajan koordinasyonunu, kalıcı tasarım bağlamını ve çoklu fizik akıl yürütmesini vurguluyor. Siemens ise öz doğrulamayı, MCP tabanlı araç entegrasyonunu ve daha geniş bir endüstriyel dijital iş parçacığını farklılaştırıcı olarak kullanıyor.

Üçünün ortak sorunu güven. Yararlı bir EDA ajanı neyi değiştirdiğini açıklayabilmeli, iş akışını yeniden üretilebilir kılmalı, tasarım niyetini korumalı ve sonucun ilgili kısıtları karşıladığını gösteren deterministik kanıt sunmalı.

Bu nedenle kısa vadede kazanan, en akıcı modele sahip şirket olmayacak. Kazanan; mevcut veri, IP, güvenlik, simülasyon ve imza akışlarının içinde güvenli biçimde çalışabilen ve her otonom eylemi denetlenebilir mühendislik kanıtına dönüştürebilen şirket olacak.