foto (c) siemens

Management Summary

Neue Automatisierungsstufe: Selbstverifizierende KI-Agenten können vollständige EDA-Abläufe planen, ausführen und über spezialisierte Simulations- und Verifikationswerkzeuge kontrollieren.
Produktivitätspotenzial: Besonders bei Bibliothekscharakterisierung, Layoutanalyse und digitaler Verifikation sind kürzere Durchlaufzeiten, weniger manuelle Routinen und gezieltere Iterationen möglich.
Qualität durch Rückkopplung: Der geschlossene Regelkreis aus Planen, Ausführen, Prüfen und Korrigieren erhöht die Nachvollziehbarkeit gegenüber rein generativen KI-Ansätzen.
Governance bleibt Pflicht: Datenhoheit, Zugriffskontrollen, Audit-Trails, reproduzierbare Benchmarks und klar definierte Freigabepunkte sind Voraussetzungen für den produktiven Einsatz.
Management-Aufgabe: Unternehmen sollten zunächst klar begrenzte Pilotprozesse mit messbaren Qualitäts-, Laufzeit- und Kostenkriterien wählen und die Verantwortung für fachliche Abnahmen eindeutig festlegen.

Die Entwicklung moderner Halbleiter und Leiterplatten beruht auf langen, hoch spezialisierten Werkzeugketten, deren Abstimmung mit wachsender Systemkomplexität zunehmend aufwendig wird. Agentische KI verspricht hier einen grundlegenden Wandel: Statt lediglich einzelne Aufgaben zu unterstützen, soll sie vollständige Entwurfsabläufe koordinieren und Ergebnisse fortlaufend durch etablierte Simulations- und Verifikationsverfahren absichern. Der Fachartikel erläutert die technischen Grundlagen dieser selbstverifizierenden Workflows, beschreibt mögliche Anwendungen und ordnet Nutzen, Voraussetzungen und Grenzen ein.

Agentische KI soll künftig nicht nur einzelne Aufgaben im Halbleiter- und Leiterplattendesign unterstützen, sondern vollständige Abläufe planen, ausführen und anhand physikalisch fundierter Entwurfswerkzeuge überprüfen. Eine erweiterte Zusammenarbeit von Siemens und Nvidia zeigt, wie sich domänenspezifische EDA-Software, KI-Modelle und beschleunigtes Rechnen zu kontinuierlich validierten Engineering-Workflows verbinden lassen.

Von der Assistenz zur eigenständigen Prozesssteuerung

In der Electronic Design Automation (EDA) steigt die Komplexität durch heterogene Systeme, Chiplets, 3D-Integration und wachsende Anforderungen an Leistung, Energieverbrauch und Fertigbarkeit. Klassische Automatisierung und generative Copiloten beschleunigen zwar einzelne Arbeitsschritte, koordinieren jedoch meist keine langen, werkzeugübergreifenden Prozesse. Agentische Systeme setzen hier an: Sie zerlegen Ziele in Teilaufgaben, wählen geeignete Werkzeuge, bewerten Zwischenergebnisse und passen ihr Vorgehen an.

Der entscheidende Unterschied zu allgemeinen KI-Agenten liegt in der Rückkopplung mit deterministischen EDA-Engines. Entwurfsentscheidungen werden nicht allein aus probabilistischen Modellausgaben abgeleitet, sondern durch Simulation, Verifikation und physikalische Prüfungen kontrolliert. Dadurch entsteht ein geschlossener Regelkreis aus Planen, Ausführen, Prüfen und Korrigieren.

Technische Bausteine selbstverifizierender Workflows

Die vorgestellte Architektur kombiniert domänenspezifische Agenten mit einer Orchestrierungsschicht, abgesicherten Laufzeitumgebungen, spezialisierten Sprachmodellen und GPU-beschleunigten Rechenbibliotheken. Die Agenten können über mehrere Entwurfsphasen hinweg zusammenarbeiten, darunter Synthese, funktionale Verifikation, physische Implementierung, Sign-off-Prüfung, Design-for-Test und Leiterplattenentwicklung.

Für den produktiven Einsatz sind kontrollierte Werkzeugaufrufe besonders wichtig. Zugriffskontrollen, Protokollierung und isolierte Ausführungsumgebungen sollen verhindern, dass autonome Prozesse unkontrolliert auf Entwicklungsdaten oder Werkzeuge zugreifen. Gleichzeitig kann die Wiederverwendung von Projektkontext die Zahl der Modellabfragen reduzieren und damit Rechenaufwand sowie Tokenverbrauch senken.

Anwendungsfelder im IC- und PCB-Design

Ein Anwendungsgebiet ist die Charakterisierung von Standardzellen, Speichern und kundenspezifischen IP-Bibliotheken. Agenten können Eingabedaten erzeugen, Simulationsläufe anstoßen, Ergebnisdateien prüfen und Abweichungen erneut untersuchen. Nach Anbieterangaben sind dabei deutliche Verkürzungen der Durchlaufzeit und geringere Modellkosten möglich. Solche Werte hängen jedoch stark von Bibliotheksgröße, Prozessknoten, Qualitätskriterien und Vergleichsmethode ab.

Auch die Analyse parasitärer und layoutabhängiger Effekte lässt sich erweitern. Natürlichsprachliche Anweisungen können Messgrößen auswählen, Auffälligkeiten zusammenfassen und Korrekturvorschläge vorbereiten. Die fachliche Bewertung bleibt dennoch erforderlich, weil lokale Layoutänderungen Auswirkungen auf Timing, Leistungsaufnahme, Signalintegrität und Fertigbarkeit haben können.

In der digitalen Verifikation versprechen agentische Systeme einen besonderen Produktivitätsgewinn. Sie können Teststrategien planen, Simulationsergebnisse auswerten, Abdeckungslücken erkennen und weitere Läufe priorisieren. Werden die Resultate fortlaufend gegen definierte Testumgebungen und Referenzmodelle geprüft, lassen sich Fehler möglicherweise früher finden und Iterationen gezielter steuern.

Potenziale und Grenzen

Der Ansatz kann die Zeit bis zu belastbaren Ergebnissen verkürzen, wiederkehrende Aufgaben automatisieren und die Nutzung komplexer Werkzeugketten vereinfachen. Physikalische Validierung erhöht zudem die Nachvollziehbarkeit gegenüber rein generativen Verfahren. Sie beseitigt jedoch nicht alle Risiken: Unvollständige Spezifikationen, ungeeignete Prüfregeln oder fehlerhafte Randbedingungen können weiterhin zu formal korrekten, aber fachlich unzureichenden Ergebnissen führen.

Für Unternehmen stellen sich außerdem Fragen zur Datenhoheit, Reproduzierbarkeit, Modellpflege und Verantwortlichkeit. Produktive Systeme benötigen versionierte Modelle und Prompts, nachvollziehbare Audit-Trails, klar definierte Freigabepunkte sowie Benchmarks, die Qualität, Laufzeit und Kosten unter vergleichbaren Bedingungen messen. Die Rolle der Ingenieurinnen und Ingenieure verschiebt sich damit von der manuellen Ausführung einzelner Schritte zur Festlegung von Zielen, Grenzen und Abnahmekriterien.

Ausblick

Die aktuelle Entwicklung deutet auf eine neue Automatisierungsstufe in der EDA hin. Nvidia liefert dafür unter anderem KI-Modelle, Laufzeitkomponenten und beschleunigte Rechenbibliotheken; die eigentliche Belastbarkeit entsteht jedoch erst durch die enge Kopplung an qualifizierte Entwurfs- und Verifikationswerkzeuge. Ob sich selbstverifizierende Agenten breit durchsetzen, wird davon abhängen, wie zuverlässig sie komplexe Toolketten beherrschen und ob ihre Vorteile in unabhängigen, reproduzierbaren Vergleichen bestätigt werden.

FAQ: Selbstverifizierende KI-Agenten in der EDA

Was sind selbstverifizierende KI-Agenten?

Es handelt sich um Softwaresysteme, die komplexe Entwurfsaufgaben eigenständig planen und ausführen, ihre Zwischenergebnisse jedoch fortlaufend durch spezialisierte Simulations-, Prüf- und Verifikationswerkzeuge kontrollieren lassen.

Worin unterscheiden sie sich von generativen KI-Copiloten?

Ein Copilot unterstützt typischerweise einzelne Arbeitsschritte oder beantwortet Fragen. Ein agentisches System koordiniert dagegen mehrstufige Abläufe über mehrere Werkzeuge hinweg, bewertet Ergebnisse und passt den weiteren Prozess auf Basis definierter Prüfungen an.

Welche Vorteile sind für Entwicklungsteams möglich?

Mögliche Vorteile sind kürzere Durchlaufzeiten, weniger manuelle Routinen, eine gezieltere Fehleranalyse und eine bessere Nutzung komplexer Werkzeugketten. Der tatsächliche Nutzen hängt von Prozessreife, Datenqualität, Systemintegration und klaren Qualitätskriterien ab.

Für welche EDA-Aufgaben eignet sich der Ansatz?

Geeignete Einsatzfelder sind unter anderem Bibliothekscharakterisierung, digitale Verifikation, Layoutanalyse, physische Implementierung, Design-for-Test und Sign-off-Prüfungen. Besonders relevant sind wiederkehrende, regelbasierte Prozesse mit eindeutig messbaren Ergebnissen.

Welche Risiken und Grenzen bestehen?

Fehlerhafte Spezifikationen, ungeeignete Prüfregeln oder unvollständige Randbedingungen können weiterhin zu fachlich unzureichenden Ergebnissen führen. Hinzu kommen Anforderungen an Datenhoheit, Zugriffsschutz, Nachvollziehbarkeit, Modellpflege und klar geregelte Verantwortlichkeiten.

Wie sollten Unternehmen mit der Einführung beginnen?

Empfehlenswert sind klar begrenzte Pilotprozesse mit reproduzierbaren Testfällen und messbaren Kriterien für Qualität, Laufzeit und Kosten. Fachliche Freigaben sollten beim Menschen bleiben, während Audit-Trails und Zugriffskontrollen jeden automatisierten Schritt nachvollziehbar machen.

Albert Absmeier & KI

Textquelle:

Siemens entwickelt selbstverifizierende agentische KI-Workflows für das Halbleiter- und Leiterplattendesign

Kombiniert EDA-Kompetenz und -Software von Siemens mit KI-Infrastruktur und -Software von NVIDIA, um Ergebnisqualität, Zeit bis zum Ergebnis, Zuverlässigkeit des Werkzeugaufrufs und Token-Effizienz für langfristige Engineering-Workloads zu verbessern.
Ermöglicht agentische KI-Workflows, die Ingenieuren helfen, Produktivität und Designqualität über den gesamten Lebenszyklus der Electronic Design Automation (EDA) hinweg zu verbessern.
Liefert besser vorhersagbare und zuverlässige Ergebnisse dank einer physischen EDA-Softwarevalidierung.
Arbeitet mit Siemens Intelligence Center X und unterstützt Agentenerstellung, Agentenorchestrierung und KI-Prozesse für allgemeinere Unternehmensstrategien bezüglich Design-, Fertigungs- und Lieferkettenabläufe.

Siemens hat eine Erweiterung seiner strategischen Partnerschaft mit NVIDIA verkündet, dank der selbstverifizierende agentische KI-Workflows für die EDA bereitgestellt und Engineering-Teams für Halbleiter und Leiterplatten dabei unterstützt werden, ihre bisherige autonome Aufgabenplanung durch zuverlässigere, kontinuierlich validierte Engineering-Ergebnisse zu ersetzen. Die neuen Funktionen bauen auf dem kürzlich von Siemens eingeführten Fuse™ EDA AI Agent auf und fügen die neue KI-Technologie von NVIDIA hinzu, um lange laufenden, domänenbezogenen KI-Agenten zu helfen, Entscheidungen gegen deterministische, physische EDA-Engines zu begründen, umzusetzen und laufend zu validieren.

Die Aktualisierungen des Fuse EDA AI Agent von Siemens sollen der Halbleiter- und Leiterplattenindustrie dabei helfen, über eine einfache Automatisierung hinauszugehen und zuverlässige und überprüfbare Ergebnisse zu liefern, die Ergebnisqualität, Zeit bis zum Ergebnis, Zuverlässigkeit der Werkzeugaufrufe und Token-Effizienz für langfristige Engineering-Workloads verbessern. Das System Fuse EDA AI Agent ist nun in das kürzlich eingeführte Intelligence Center X von Siemens integriert, das die Agentenerstellung und -orchestrierung in der industriellen KI-Umgebung von Siemens unterstützt. Intelligence Center X bietet KI-gesteuerte, koordinierte Prozesse in Design, Fertigung und Lieferkette – und baut so den umfassenden digitalen Zwilling aus, um eine intelligentere Ausführung und zuverlässigere Ergebnisse zu fördern.

»Unsere erweiterte Zusammenarbeit mit NVIDIA verbessert unsere domänenspezifische industrielle KI, die physischen EDA-Engines und das beschleunigte Computing, um zuverlässige, selbstverifizierende KI-Workflows zu ermöglichen«, erklärte Amit Gupta, Senior Vice President und Chief AI Strategy Officer, Siemens EDA, Siemens Digital Industries Software. »Indem wir es autonomen und lange laufenden EDA-KI-Agenten ermöglichen, ihre Entscheidungen kontinuierlich anhand bewährter Engineering-Tools genau und effizient zu validieren, helfen wir Kunden, ihre Entwicklung zu beschleunigen, die Designqualität zu verbessern und das Vertrauen in zuverlässige Engineering-Ergebnisse zu erhöhen.«

»Das Halbleiter- und Leiterplattendesign gehört zu den komplexesten technischen Herausforderungen der Welt, und KI-Agenten sind auf vertrauenswürdige Tools angewiesen, die ihre Arbeit begründen, umsetzen und überprüfen«, sagte Timothy Costa, Vice President und General Manager of Computational Engineering bei NVIDIA. »Siemens kombiniert seine EDA-Software mit NVIDIA Accelerated Computing, KI-Software und offenen Nemotron-Modellen, um selbstverifizierende Agenten-Workflows zu erstellen, die die Designqualität verbessern, die Ergebnisse beschleunigen und den Ingenieurteams mehr Vertrauen in jeden Schritt des Prozesses geben.«

Ermöglicht zuverlässige selbstverifizierende KI-Agenten für das Halbleiter- und Leiterplattendesign

Der Fuse EDA AI Agent kombiniert nun technische Intelligenz und bewährte Verifizierungsfunktionen von Siemens mit den KI-Infrastrukturtechnologien von NVIDIA, um komplexe Halbleiter-Designaufgaben mit verbesserter Geschwindigkeit und Präzision auszuführen:

Optimierte EDA-Agenten, die mit der NVIDIA NeMo Gym Open Library für Agentenumgebungen entwickelt wurden, verbessern Ergebnisqualität, Geschwindigkeit und Token-Effizienz für das Halbleiter- und Leiterplattendesign. Dies ermöglicht Kunden, EDA-Designabläufe zu erstellen, die im Lauf der Zeit intelligenter werden, mit selbstverifizierenden Agenten, die von jedem Projekt lernen, um Ausführungsstrategien automatisch zu verbessern, Workflows zu optimieren und den akkumulierten Kontext besser zu nutzen.
Die sichere Laufzeit von NVIDIA OpenShell ermöglicht es Enterprise-Scale-Designteams, autonome Agenten in ihrer gesamten EDA-Umgebung mit unternehmensweiter Sicherheit, Zugriffskontrollen und Audit-Trails innerhalb geregelter Laufzeitumgebungen zu betreiben.
Das Advanced Reasoning mit den neuesten NVIDIA Nemotron-Modellen und Switchyard beschleunigt das Design mit KI-Agenten, die komplexe technische Kompromisse mit der Geschwindigkeit einer KI-Argumentation verstehen und komplexe technische Workflows mit verbesserter Leistung und Token-Effizienz unterstützen.
NVIDIAs beschleunigte Computing- und CUDA-X-Libraries helfen Designteams, innerhalb von Stunden, statt Tagen Ergebnisse in Sign-off-Qualität zu erzielen, indem sie sowohl KI-Argumentations- als auch EDA-Engines für dramatische Speedups ohne Kompromisse bei der Genauigkeit antreiben.

Zusammen ermöglichen diese Funktionen eine sichere und tokeneffiziente Multi-Agent-Koordination, Echtzeit-Feedback und eine verbesserte Konvergenz über Halbleiter- und Leiterplattendesign- und Verifizierungsabläufe hinweg, wodurch Kunden zuverlässige technische Ergebnisse erzielen können.

Umfassende End-to-End-Designautomatisierung

Aufbauend auf diesen Fähigkeiten orchestriert der Fuse EDA AI Agent von Siemens Arbeitsabläufe im gesamten Halbleiter- und Leiterplattenlebenszyklus. Domänenspezifische Agenten arbeiten über Synthese-, Verifizierungs-, Implementierungs- und Validierungsprozesse hinweg zusammen, um die Ergebnisse ganzheitlich zu optimieren.

Das neue Angebot umfasst die EDA-Technologien von Siemens über den gesamten Halbleiter- und Elektroniklebenszyklus hinweg, von der High-Level-Synthese mit Catapult, der Verifizierung mit Questa One und Veloce, dem kundenspezifischen IC-Design und der Verifizierung mit Solido bis hin zur physischen Implementierung mit Aprisa, der Signoff-Verifizierung mit Calibre und dem Design-for-Test mit Tessent. Es unterstützt auch die fortschrittliche 3D-IC-Integration mit Innovator3D IC und das Leiterplattendesign mit Xpedition.

Beschleunigung des Designs kundenspezifischer integrierter Schaltungen (ICs) mit KI-Agenten

Der Ausbau der Zusammenarbeit erweitert die Solido Characterization Suite von Siemens mit agentischen KI-Funktionen. Diese KI-Agenten-Workflows automatisieren die Bibliothekscharakterisierung durch die automatische Generierung und Überprüfung von Liberty-Dateien, indem der Solido Characterizer mit Solido LibSPICE, Solido Generator und Solido Analytics ausgeführt wird. Die Lösung liefert produktionsbewährte Ergebnisse für fortschrittliche Standard-Node-Cell-, Speicher- und benutzerdefinierte IP-Bibliotheken und reduziert gleichzeitig die Durchlaufzeiten der Charakterisierung um mehr als das Zehnfache und erzielt eine mehr als 5- bis 10-fache Senkung der Tokenkosten.

Dank dem neuen Solido Layout Analyzer – einer KI-gestützten messtechnischen Lösung zur Visualisierung, Untersuchung und Analyse parasitärer und layoutabhängiger Effekte in Post-Layout-Designs – werden diese KI-Agenten-Funktionen auf den gesamten kundenspezifischen IC-Design-Flow angewendet. Der in den Fuse EDA AI Agent integrierte Solido Layout Analyzer steigert die Designqualität und die technische Produktivität erheblich, da er Anweisungen in natürlicher Sprache für Ergebnisanalyse, Korrekturempfehlungen und Berichterstellung erlaubt.

»Für das Team von STMicroelectronics für Permanentspeicher ist die Fähigkeit, Layout-Erkenntnisse direkt mit dem elektrischen Verhalten zu verknüpfen, von entscheidender Bedeutung. Anstatt layoutabhängige Effekte spät im Prozess zu erkennen, bringt der Solido Layout Analyzer diese Analyseergebnisse früher in den Workflow ein, verbessert die Designzuverlässigkeit und hilft, die Zeit, die für das Debuggen komplexer Designblöcke aufgewendet wird, um Wochen zu reduzieren. Wir planen, die Vorteile in unserer laufenden Designaktivität zu testen und zu validieren«, erklärt Gianbattista Lo Giudice, Non-Volatile Memory Design Manager bei STMicroelectronics.

Beschleunigung der digitalen Verifizierung mit KI-Agenten

Da die Verifizierung bis zu 70 Prozent der Konstruktionszeit und Konstruktionskomplexität in Anspruch nimmt, steht die Branche vor einer beispiellosen Produktivitätskrise. Aufbauend auf dem kürzlich angekündigten Questa One Agentic Toolkit erweitert Siemens diese domänenbezogenen Agenten-KI-Workflows mit dem Nemotron 3 Ultra-Argumentationsmodell von NVIDIA, das für komplexe und lange laufende KI-Agenten entwickelt wurde. Im agentischen RTL-Benchmarking mit dem ACE-RTL-Agenten steht Nemotron 3 Ultra unter den offenen Modellen an führender Position. Seine Argumentation und Effizienz helfen autonomen Agenten, technische Kompromisse zu bewerten und gleichzeitig Designs kontinuierlich gegen Golden Test Harness zu validieren. So können Teams Probleme früher erkennen, den Verifizierungsabschluss beschleunigen und schneller zuverlässige Ergebnisse liefern.

»Wir befinden uns an einem Wendepunkt, an dem die Komplexität von KI-Chips, Chiplets und 3D ICs herkömmliche Verifizierungsmethoden übertroffen hat«, sagt Abhi Kolpekwar, Senior Vice President und General Manager Digital Verification Technologies, Siemens EDA, Siemens Digital Industries Software. »Agentische KI ist der natürliche Weg nach vorn, der mit dieser Komplexität skaliert werden kann – wir verfügen nun über Agenten, die Multi-Domain-Verifizierungen orchestrieren, über Milliarden von Testszenarien hinweg argumentieren und Ergebnisse in Produktionsqualität in Zeitrahmen liefern können, die vor nur zwei Jahren noch unmöglich waren.«

Verfügbarkeit

Die erweiterten KI-gestützten EDA-Funktionen von Siemens werden in den kommenden Releases des KI-nativen EDA-Portfolios von Siemens verfügbar sein. Um mehr darüber zu erfahren, wie Siemens die Kraft der Agentischen KI in die EDA-Branche einbringt, besuchen Sie https://www.siemens.com/en-us/products/fuse-eda-ai-system/agent/

5032 Artikel zu „KI Automatisierung“

News | IT-Security | Ausgabe 3-4-2026 | Security Spezial 3-4-2026

LLM prägt das Zusammenspiel von Analyse, Automatisierung und Nutzerverhalten neu – KI verändert E-Mail-Sicherheit und Awareness

26. April 2026

Generative künstliche Intelligenz entwickelt sich rasant zu einem bestimmenden Faktor der Cybersicherheit. Während Angreifer Sprachmodelle nutzen, um täuschend echte Phishing-Nachrichten in großer Zahl zu erzeugen, reagieren Sicherheitsanbieter mit neuen Analyseverfahren, automatisierter Kontextbewertung und verhaltensorientierten Schulungskonzepten.