Volgens Paul Cunningham, senior VP bij Cadence Systems, wordt momenteel 20 tot 30 procent van de chips in ontwikkeling ontworpen met behulp van AI-agents, en dit aandeel neemt snel toe. Cadence heeft recentelijk een reeks tools genaamd ‘AI Super Agents’ uitgerold en een partnerschap met Nvidia aangekondigd, rond een nieuwe modelenfamilie met de naam Maestro.
Agents die bestaande tools besturen
Gespecialiseerd in software voor computerondersteund ontwerp voor elektronica (EDA), biedt Cadence onder meer AuraStack voor geavanceerde packaging en printplaatontwerp (PCB), ChipStack voor het ontwerp en de verificatie van system-on-a-chip (SoC), InnoStack voor PHY-routing, en ViraStack voor het ontwerp van analoge circuits.
Naar het principe van Claude Code van Anthropic of Codex van OpenAI, zijn deze agents gebouwd op softwarelagen, ‘harnesses’ genaamd, die taalmodelmodellen (LLM’s) koppelen aan de automatisering van ontwerp- en testflows. Ze orkestreren de EDA-, test- en verificatietools van Cadence. De logica doet denken aan die van programmeerassistenten: code compileert wel of niet, en Cadence beschikt over tests om te verifiëren dat zijn ontwerpen werken zoals bedoeld.
De effectiviteit van deze tests hangt echter sterk af van de overeenkomst tussen de trainingsdata van de modellen en de in- en uitvoer die ze verwerken. De eerste agents van Cadence waren grotendeels gebaseerd op commerciële LLM’s, die weinig blootstelling hadden aan register transfer level (RTL) beschrijvingen, de taal die de werking van een circuit beschrijft. ‘Het is geen optie dat deze kant-en-klare foundation modellen, hoe krachtig ook, alles alleen doen. Ze vormen het startpunt, en we kunnen ze verder specialiseren,’ zei Paul Cunningham.
Maestro-modellen getraind op de tools van Cadence
Cadence heeft daarom een partnerschap met Nvidia aangekondigd en de Maestro-modellenfamilie gelanceerd. Deze modellen zijn verfijnd (fine-tuning, d.w.z. gespecialiseerd vanuit een bestaand model) met behulp van de Nemotron-familie van Nvidia, om te werken met de tools van Cadence en hun resultaten te interpreteren.
Volgens Cadence hebben voorlopige tests een verbetering ‘tot wel’ 30 procent in de kwaliteit van de resultaten aangetoond, evenals een token-efficiëntie ‘tot wel’ 5x hoger dan die van algemene foundation modellen. De token, de tekstuele eenheid die een model verwerkt, dient hier om de rekenkosten te meten. Volgens het bedrijf zouden modellen die zijn getraind op hun tools dus zowel beter presteren als goedkoper zijn om uit te voeren.
Het Maestro-platform maakt het ook mogelijk om modellen te personaliseren op basis van klantdata. Paul Cunningham verduidelijkte dat deze optie zou worden aangeboden als een managed service, en niet als een aanpak die klanten zelf zouden uitvoeren. De modellen en agents kunnen worden gebruikt via een API, in een beveiligd VPC (geïsoleerd virtueel privénetwerk) of, voor bedrijven met de benodigde hardware, on-premises.
Een belang dat verder gaat dan chipontwerp
Cadence is niet de enige die het gebruik van AI-agents onderzoekt voor het besturen van high-performance computing (HPC) workloads. Nvidia brengt HPC en AI al jaren dichter bij elkaar, waarbij hun GPU’s (grafische processors) voor veel meer doeleinden worden gebruikt dan alleen het trainen en uitvoeren van modellen, hoewel de meeste kopers ze daarvoor bestemmen.
Dit idee van door AI bestuurde laboratoria staat ook centraal in de Genesis Mission van het Amerikaanse Department of Energy, waarbij veel nieuwe grote supercomputers op basis van Nvidia zijn aangekondigd. Onderzoekers van de Sandia National Labs hebben bovendien een zogenaamd ‘zelfrijdend’ laboratorium (self-driving lab) gepresenteerd, waar AI-agents nieuwe hypothesen ontwikkelen en testen. Deze experimenten maakten echter geen gebruik van moderne harnesses of zelfs LLM’s. In een context van beperkte financiering voor publiek onderzoek kan het idee van een laboratoriumassistent die taken kan voortzetten na het vertrek van onderzoekers aantrekkelijk lijken.
