Synopsys y NVIDIA amplían los agentes autónomos para diseñar chips

Synopsys amplió, en colaboración con NVIDIA, sus capacidades de IA agéntica orientadas al desarrollo de semiconductores. La propuesta consiste en utilizar agentes autónomos para ejecutar y coordinar tareas en áreas como la verificación de chips, el diseño analógico y la ingeniería térmica, partes del proceso que normalmente requieren ciclos sucesivos de simulación, revisión e intervención de especialistas.

El anuncio, informado por EE Times Asia, sitúa la colaboración en una disputa más amplia por incorporar inteligencia artificial a las herramientas de automatización del diseño electrónico, conocidas por las siglas EDA. En este mercado, pequeñas mejoras en el tiempo de validación o en la calidad de las decisiones de diseño pueden tener un impacto relevante, porque los chips modernos combinan miles de millones de transistores y deben cumplir simultáneamente con restricciones de rendimiento, consumo, costo y confiabilidad.

Dónde intervienen los agentes en el flujo de diseño

En la verificación, los agentes pueden ayudar a formular estrategias de prueba, analizar resultados de simulaciones, identificar patrones de fallas y sugerir nuevas ejecuciones. En lugar de limitarse a responder a una orden aislada, un sistema agéntico tiende a dividir un objetivo en etapas, supervisar el estado del trabajo y ajustar la secuencia según los resultados. Sin embargo, la fuente no detalla cuáles de estas funciones ya han implementado Synopsys y NVIDIA.

El diseño analógico presenta un desafío diferente. Los circuitos analógicos dependen de relaciones continuas entre componentes, ruido, variaciones de fabricación y condiciones de operación. La automatización debe tener en cuenta compromisos de ingeniería que no siempre pueden capturarse mediante reglas simples. Los agentes pueden acelerar la exploración de alternativas, pero las decisiones finales siguen sujetas a la validación de los diseñadores y a las limitaciones de los modelos utilizados.

En la ingeniería térmica, la IA puede apoyar la evaluación de puntos de calentamiento, la distribución de energía y los efectos del empaquetado sobre la disipación. Esta área ha ganado importancia con los aceleradores de alto rendimiento y los sistemas cada vez más densos. Aun así, no se informó si los agentes trabajan con modelos térmicos completos, análisis preliminares o una combinación de herramientas.

La combinación de las plataformas de ambas empresas

Synopsys proporciona herramientas ampliamente utilizadas en el diseño y la verificación de semiconductores, mientras que NVIDIA ofrece hardware y software para la computación acelerada y el desarrollo de modelos de IA. La integración entre las compañías podría permitir que las tareas de ingeniería se ejecuten con mayor capacidad computacional y que diferentes etapas del flujo compartan contexto y resultados.

Esta integración también puede acercar la IA a la infraestructura real utilizada por los equipos de desarrollo de chips. El valor comercial no dependerá únicamente de la capacidad de generar sugerencias, sino de la compatibilidad con bibliotecas, reglas de fabricación, entornos de simulación, requisitos de seguridad y procesos de aprobación ya adoptados por cada empresa.

La promesa de productividad viene acompañada de riesgos

La principal promesa es acortar el tiempo entre una hipótesis de diseño y su validación. Los agentes capaces de operar varias herramientas podrían reducir el trabajo repetitivo y liberar a los ingenieros para tomar decisiones de arquitectura y analizar problemas más complejos. En proyectos con plazos ajustados, esto podría influir en el costo de desarrollo y en la velocidad de lanzamiento de nuevos productos.

Por otro lado, los errores silenciosos representan un riesgo elevado. Una recomendación aparentemente plausible puede infringir una restricción eléctrica, térmica o de fabricación y solo descubrirse en una etapa posterior. También existen dudas sobre la trazabilidad: los equipos necesitarán saber qué datos orientaron cada decisión, qué experimentos se ejecutaron y en qué momento un profesional autorizó la continuidad del flujo.

• La confiabilidad de las sugerencias debe medirse en proyectos reales y no solo en demostraciones.
• Los resultados deben poder ser verificados mediante herramientas tradicionales y por los ingenieros responsables.
• Los datos propietarios de proyectos y bibliotecas requieren controles estrictos de acceso y gobernanza.
• La adopción dependerá de la integración con los flujos EDA y los procesos de fabricación existentes.

Otro aspecto es la dependencia de datos y modelos especializados. Los sistemas entrenados o ajustados con información inadecuada pueden reproducir sesgos de diseño, priorizar objetivos incorrectos o mostrar un rendimiento desigual entre distintos procesos tecnológicos. En los semiconductores, una solución que funciona en una familia de nodos o en un tipo de circuito no necesariamente se transfiere a otro entorno.

La fuente original confirma la ampliación de los recursos y los ámbitos técnicos involucrados, pero no presenta cifras públicas sobre la reducción de tiempos, la mejora del rendimiento, el ahorro de energía o la tasa de aceptación de las recomendaciones. Tampoco están confirmados el calendario de lanzamiento, el formato de acceso, los clientes participantes ni el grado de autonomía permitido en entornos de producción.

Los próximos pasos deberían incluir evaluaciones con proyectos industriales, la definición de mecanismos de supervisión y la demostración de beneficios medibles. Si la integración avanza, la competencia entre los proveedores de EDA tenderá a centrarse no solo en los algoritmos, sino también en la capacidad de conectar agentes con simuladores, verificadores, bibliotecas y datos propietarios sin comprometer la confiabilidad del tape-out.

Fuente: EE Times Asia