Softwaretools und -abläufe, die zum Entwerfen, Überprüfen und Analysieren von Chips verwendet werden.
KI-Modelle mit offenen Gewichten geben Unternehmen mehr Flexibilität beim lokalen Betrieb und verringern die Abhängigkeit von Dienstanbietern. Sie bedeuten jedoch nicht automatisch, dass Trainingsdaten, Quellcode oder Nutzungsrechte verfügbar sind. Eine Analyse von Semiconductor Engineering betont, dass sich ihre Auswirkungen auf das Speicherdesign, die Interconnects, die Sicherheit und die Workflows von Chipdesign-Tools erstrecken.
Der Beitrag von Semiconductor Engineering stellt einen Rahmen mit fünf Stufen zur Bewertung der Autonomie von KI-Agenten beim Chipdesign vor – von der Optimierung einer bestimmten Aufgabe bis zur Ausführung eines vollständigen Workflows innerhalb eines festgelegten technischen Rahmens. Er betont, dass der Autonomiegrad allein nicht ausreicht, sofern nicht der Entscheidungsumfang, die Verifizierungsmechanismen sowie die Verantwortung des Ingenieurs für Eingriffe und die endgültige Freigabe festgelegt sind.
Eine Analyse kommt zu dem Schluss, dass künstliche Intelligenz den größten Nutzen in Werkzeugen für das Chipdesign erzielen wird, wenn sie den Workflow zwischen Werkzeugen und Teams koordiniert, statt nur ein einzelnes Werkzeug zu optimieren. Ihre Nutzung bleibt jedoch an die Kontinuität der Bedeutung, deterministische Verifikation und die Möglichkeit gebunden, jedes Ergebnis zu prüfen.
Die Einschätzungen von Experten aus EDA- und Halbleiterunternehmen zeigen, dass die Integration der Hardware- und Softwareentwicklung auf organisatorische und technische Hindernisse stößt – von unterschiedlichen Arbeitsteams und Werkzeugen bis hin zur Schwierigkeit, vollständige Workloads zu simulieren. Künstliche Intelligenz kann beim Schreiben von RTL und Software helfen, verfügt jedoch noch nicht über genügend Kontext, um komplexe Architekturentscheidungen zu treffen.