←News detail

Semiconductor Industry ObserverUpdated Oct 30 14:13

Siemens Fuse EDA AI Agent: Using Physical Verification to Backstop Agentic EDA

English text is being prepared.

AI summary

Siemens has launched an intelligent engineering workflow in which the Fuse EDA AI Agent serves as an MCP aggregation layer connecting to Claude Code, autonomously orchestrating 3D-IC electrothermal co-design, linking seven Siemens EDA tools across nine stages, requiring 100–200 iterations and a total duration exceeding 12 hours. Every decision in this workflow is verified by a deterministic, physics-based EDA solver engine; a single round can cover more than 200 to 500 design points, tool configuration efficiency is improved by up to 20x, manual workload is reduced by as much as 95%, and the number of evaluable design options reaches up to 50x that of traditional manual workflows.

Body

基于物理的验证,可信智能体EDA的基石来源:半导纵横发布时间:2026-10-29 18:24EDA技术进展生成海报经过物理验证的流程是指智能体每做出一次决策,在进入下一步之前,都要交由具备确定性、基于物理原理的EDA引擎核验。

智能体在工作过程中持续校验自身判断,而不是等到整轮任务跑完之后才检查。但这些判断,究竟要依据什么来核验?答案是物理规律。更准确地说,是具备确定性、基于物理原理的EDA引擎,由它们判定设计是否正确。自验证智能体负责自查工作成果,而经过物理验证的流程,则确认这份成果符合物理规则。

半导体设计由物理规律约束

芯片设计始终受到物理层面的约束。无论设计以何种方式生成,每一颗晶体管、每一根走线、每一条时序路径、每一处温度梯度,都必须遵循固定的物理定律。这也是流片(tapeout)结果非黑即白的原因:硅片要么功能正常,要么失效。

这一点,区分了能够推理物理现象的模型,和经过物理验证的设计流程。

“物理验证” 是什么意思

经过物理验证的流程,指智能体每做出一次决策,在进入下一步之前,都要交由具备确定性、基于物理原理的EDA引擎核验。验证不是只放在流程末尾、等整轮仿真跑完才做,而是依托工程师信赖数十年的求解引擎,在每一步持续开展。

智能体执行一步操作,再由引擎判断结果是否满足设计的物理约束。如果不满足,智能体定位问题、修复后继续执行。所谓物理验证,代表判定正确性的权威是求解引擎,而不是AI模型。

为什么对流片环节至关重要

半导体设计中,未经核验的决策没有容错空间。流片时间节点固定,重新流片成本高昂,错失的市场窗口无法追回。

一套智能流程即便能够正确推演物理逻辑,但输出结果没有经过物理引擎核验,每一步自主操作都会引入风险。流程在缺少验证的状态下运行越久,等到错误暴露时,设计偏离正确状态就会越严重。

在跨多工具、多物理域、持续数小时的长时自主流程中,无人干预时,未核验的错误会不断累积。持续的物理验证可以阻止这类错误在流程里层层传递。

3D-IC设计:一项多物理场难题

此前介绍过一套自主器件库表征流程:智能体依托物理EDA引擎持续自查。该案例在单一任务层面体现了这套原则。当流程跨多个工具、多个物理域时,持续验证的必要性进一步提升,3D-IC设计就是典型代表。它是对物理规则的终极考验,也最能说明芯片设计本质上服从物理规律。

AI算力集群对算力、内存带宽、散热性能的需求持续上涨,但可使用的物理空间越来越受限。单片裸芯在功耗、性能、面积上的缩放逼近物理极限,基于芯粒的2.5D和3D架构,依靠高密度封装,实现算力与存储的扩展。

这种高集成度让物理设计的复杂度大幅提升。堆叠有源裸芯会让散热、芯片间温度耦合更难预测,封装结构还会带来机械应力。电学、功耗、热学、力学效应相互耦合,一处改动就会影响其他指标。依靠人工、碎片化、多工具割裂的传统流程处理这类问题,会产生大量跨岗位交接,迭代缓慢,团队能够评估的设计方案数量十分有限。

面向3D-IC设计的自主流程

西门子推出了一套智能工程流程,可以自主调度3D-IC的设计与分析任务。不同EDA工具对应的MCP服务端与脚本文件接入Fuse EDA AI Agent;该智能体作为MCP聚合层,可对接任意代码智能体。本案例选用Claude Code作为代码智能开发环境,调度一套包含九个环节的电热协同流程,串联七款西门子EDA工具,需要智能体执行100–200轮迭代,总时长超过12小时。

每个环节承担独立工程任务,包括布局规划、器件库表征、功耗分析、热签核、系统级热仿真、寄生参数提取,以及兼顾功耗与温度的SPICE仿真。所有环节都采用可用于签核、基于物理原理的求解器完成验证。

整套流程自主运行,自动执行分析、评估结果、识别未达标的指标,持续迭代优化设计。单轮循环内,团队可以扫描换热系数(HTC)边界、功耗预算、叠层材料方案,覆盖200至500个以上设计点。这套方案可将工具配置效率最高提升20倍,减少最多95% 的人工工作量,可供评估的设计方案数量最高达到传统人工流程的50倍。

如何判断一套流程是否经过物理验证?

评估智能EDA流程时,只用一个问题就能判断它是否满足物理验证架构:在每一步执行后、流程继续往下之前,智能体的输出结果,是否经过确定性、基于物理原理的EDA引擎核验?

如果答案是肯定的,这套流程就属于物理验证流程。求解引擎作为判定依据,所有自主决策都要对照设计的物理现实完成确认。

面向量产的智能EDA需要满足三项条件:适配真实工程环境的架构、持续校验智能体决策的自验证机制,以及判定决策对错的物理验证标准。

本文转自媒体报道或网络平台,系作者个人立场或观点。我方转载仅为分享,不代表我方赞成或认同。若来源标注错误或侵犯了您的合法权益,请及时联系客服,我们作为中立的平台服务者将及时更正、删除或依法处理。 评论暂无用户评论最新资讯更多 相关推荐

算力竞速,供电看GaN2026-10-30 12:07

英特尔亮相腾讯全球数字生态大会,多维创新加速智能体落地2026-10-29 22:43

重新审视芯片设计左移2026-10-29 18:22

Source

Semiconductor Industry Observer