Według Paula Cunninghama, starszego wiceprezesa w Cadence Systems, obecnie od 20 do 30% rozwijanych układów scalonych jest projektowanych przy pomocy agentów AI, a odsetek ten szybko rośnie. Cadence ostatnio wdrożył serię narzędzi o nazwie „AI Super Agents » i ogłosił partnerstwo z Nvidią, skupione wokół nowej rodziny modeli o nazwie Maestro.
- Cadence wdraża agentów AI, którzy automatyzują projektowanie układów scalonych.
- Modele Maestro powstały na bazie rodziny Nemotron od Nvidii i współpracują z narzędziami Cadence.
- Według Cadence modele osiągają nawet 30% lepsze wyniki i pięciokrotnie większą efektywność w tokenach.
- Klienci mogą dostosowywać modele w zarządzanej usłudze, przez API, w VPC lub lokalnie.
Agenci sterujący istniejącymi narzędziami
Cadence, specjalizujący się w oprogramowaniu do komputerowego wspomagania projektowania elektroniki (EDA), oferuje m.in. AuraStack do zaawansowanego pakowania i projektowania płytek drukowanych (PCB), ChipStack do projektowania i weryfikacji systemów na chipie (SoC), InnoStack do trasowania PHY oraz ViraStack do projektowania układów analogowych.
Na zasadzie Claude Code od Anthropic czy Codex od OpenAI, te agenci opierają się na warstwach oprogramowania, zwanych „harness », które łączą modele językowe (LLM) z automatyzacją przepływów projektowych i testowych. Orchestrują one narzędzia EDA, testowe i weryfikacyjne Cadence. Logika przypomina tę z asystentów programistycznych: kod się kompiluje lub nie, a Cadence dysponuje testami mającymi sprawdzić, czy projekty będą działać zgodnie z oczekiwaniami.
Skuteczność tych testów zależy jednak w dużej mierze od bliskości między danymi treningowymi modeli a przetwarzanymi przez nie danymi wejściowymi i wyjściowymi. Pierwsi agenci Cadence w dużej mierze opierali się na komercyjnych LLM-ach, mało wystawionych na opis na poziomie rejestrów (RTL), czyli język opisujący działanie układu. „Nie ma mowy, aby te gotowe modele bazowe, choć niezwykle potężne, robiły wszystko samodzielnie. Stanowią punkt wyjścia i można je jeszcze specjalizować » – powiedział Paul Cunningham.
Modele Maestro trenowane na narzędziach Cadence
Cadence ogłosił więc partnerstwo z Nvidią i wprowadził rodzinę modeli Maestro. Modele te zostały dostrojone (fine-tuning, czyli wyspecjalizowane na bazie istniejącego modelu) przy użyciu rodziny Nemotron od Nvidii, aby współpracować z narzędziami Cadence i interpretować ich wyniki.
Według Cadence, wstępne testy wykazały poprawę jakości wyników „sięgającą » 30%, a także efektywność w tokenach „sięgającą » 5-krotności w porównaniu z ogólnymi modelami bazowymi. Token, jednostka tekstu przetwarzana przez model, służy tu do pomiaru kosztu obliczeń. Zdaniem firmy, modele po treningu na jej narzędziach byłyby więc zarówno wydajniejsze, jak i tańsze w uruchomieniu.
Platforma Maestro umożliwia również dostosowywanie modeli na podstawie danych klientów. Paul Cunningham wyjaśnił, że opcja ta będzie oferowana jako usługa zarządzana, a nie jako działanie, które klienci prowadziliby samodzielnie. Modele i agenci mogą być używane przez API, w bezpiecznym VPC (wydzielonej sieci prywatnej) lub, dla firm posiadających niezbędny sprzęt, lokalnie.
Zainteresowanie wykraczające poza projektowanie chipów
Cadence nie jest jedyną firmą badającą użycie agentów AI do sterowania zadaniami wysokowydajnych obliczeń (HPC). Nvidia od kilku lat zbliża HPC i AI, a jej GPU (procesory graficzne) służą wielu innym zastosowaniom niż trenowanie i uruchamianie modeli, nawet jeśli większość kupujących przeznacza je właśnie do tego.
Pomysł laboratoriów sterowanych przez AI znajduje się również w centrum Genesis Mission amerykańskiego Departamentu Energii, w ramach której ogłoszono wiele nowych, dużych superkomputerów opartych na Nvidii. Ponadto badacze z Sandia National Labs zaprezentowali tzw. laboratorium „autonomiczne » (self-driving lab), w którym agenci AI rozwijają i testują nowe hipotezy. Eksperymenty te nie korzystały jednak ani z nowoczesnych harnessów, ani nawet z LLM. W kontekście ograniczonych funduszy na badania publiczne, pomysł asystenta laboratoryjnego zdolnego do kontynuowania zadań po odejściu badaczy może wydawać się atrakcyjny.
