A inteligência artificial no projeto de chips caminha para um papel que vai além da melhoria de ferramentas individuais de simulação ou planejamento, tornando-se uma camada de coordenação entre as etapas do projeto, as equipes, as restrições e o conhecimento especializado. No entanto, essa transformação não significa entregar as especificações do chip ou a decisão final de aprovação a modelos probabilísticos; o valor prático será determinado pela capacidade dos sistemas de transferir a intenção do projeto, as premissas e as evidências entre as ferramentas sem perder seu significado.
Essa necessidade surge em um momento em que os projetos passaram a incluir dezenas de bilhões de transistores e a combinar chiplets e múltiplos templates, enquanto o custo do projeto em nós avançados pode chegar a centenas de milhões de dólares. Nesse ambiente, um único ciclo de reprojeto pode ameaçar todo o programa, e a escassez de engenheiros experientes torna cada vez mais prioritária a redução do tempo necessário para chegar aos resultados.
O problema está entre as ferramentas
O projeto de um chip passa por etapas especializadas que incluem exploração arquitetural, RTL, verificação, síntese, planejamento e implementação, análise de temporização e potência, verificação física, testes de DFT e, em seguida, comparação com os resultados pós-fabricação. Frequentemente, essas ferramentas foram desenvolvidas por entidades diferentes, usando modelos de dados, premissas e definições divergentes sobre o que significa concluir a tarefa.
Por isso, não basta transferir arquivos entre as ferramentas. É preciso preservar as restrições, a intenção do projeto e o contexto de engenharia; caso contrário, os engenheiros serão obrigados a reinterpretar os requisitos e a criar manualmente testes, propriedades e exceções. Entre os pontos fracos recorrentes estão a ausência de um modelo semântico comum, a perda de informações quando o trabalho passa do projeto para a verificação, a multiplicidade de formatos de dados e bancos de dados fechados, além do tempo que os engenheiros gastam conciliando restrições, compromissos e exceções de temporização entre etapas adjacentes.
Uma ferramenta pode atingir um objetivo local, como melhorar o desempenho, mas criar posteriormente um problema de congestionamento, temporização ou ciclos de ECO. Daí surge a oportunidade para a inteligência artificial melhorar o fluxo como um todo, em vez de melhorar cada ferramenta isoladamente dos resultados downstream.
Do assistente ao coordenador do fluxo de trabalho
Executivos da Siemens EDA, Synopsys, Arteris, Keysight EDA e ChipAgents, entre outros, consideram que a automação baseada em agentes pode coordenar tarefas que antes levavam semanas, como a conexão entre a inserção de DFT, a análise de temporização e a correção de problemas. No entanto, isso exige acesso ao conhecimento metodológico acumulado pelas equipes e a uma representação unificada das intenções do projeto, não apenas a capacidade de chamar as ferramentas.
Os usos propostos vão desde ciclos de otimização que atravessam as fronteiras das ferramentas até camadas de assistentes e agentes que conectam as etapas de arquitetura, RTL, verificação e projeto físico, chegando então a uma camada de interoperabilidade operacional baseada em modelos de dados neutros em relação ao fornecedor. Iniciativas como o Schema Ontology, da Si2, e o CDC/RDC Integration Standard, da Accellera, são mencionadas como exemplos da infraestrutura necessária para que os agentes possam interpretar os resultados das ferramentas sem reconstruir o contexto a cada transição.
O que prova que o resultado está correto?
A velocidade, por si só, não é suficiente no projeto de chips. A inteligência artificial pode sugerir propriedades, provas ou correções, mas a sugestão continua sendo uma hipótese até ser verificada por um mecanismo determinístico. Como explica a análise, executar um modelo de linguagem ou obter uma resposta de um prompt não é uma prova; a prova é um resultado completo contra uma propriedade correta e reproduzível.
Por isso, os modelos práticos tendem a manter as especificações e a decisão de sign-off nas mãos do engenheiro, isolando as modificações propostas em um ambiente sandbox e revisando-as antes de sua aprovação. O agente pode analisar as falhas, propor uma correção, executar novamente a regression e então apresentar as alterações e o resultado ao engenheiro, em vez de modificar o código diretamente.
Essa cautela se torna ainda mais importante porque as próprias ferramentas de verificação podem conter erros. O material menciona um estudo que revelou 16 erros separados em três ferramentas comerciais de verificação de equivalência entre C e RTL, incluindo casos em que foram declarados equivalentes projetos que não eram equivalentes. Portanto, a automação deve transferir não apenas os dados, mas também os limites de cada resultado, suas premissas, seu estado probatório e seu registro de reprodução.
Por que essa transformação é importante?
O próximo critério competitivo em EDA não será o número de agentes nem a quantidade de tempo que uma ferramenta isolada economiza, mas a capacidade do fluxo de produzir evidências auditáveis através de suas fronteiras. Isso é especialmente importante para projetos relacionados à segurança funcional, à segurança cibernética e ao setor automotivo, nos quais não basta afirmar que o sistema convergiu em menos tempo; é necessário saber quais propriedades foram comprovadas, quais continuam limitadas e o que foi proposto pela inteligência artificial e não foi verificado.
As limitações continuam claras. Os modelos atuais não são suficientemente especializados, de baixo custo ou conscientes da física para gerar RTL, layouts analógicos, pacotes avançados ou netlists totalmente otimizadas com verificação final sob demanda. Além disso, adicionar uma interface de inteligência artificial não resolve o gargalo se a configuração da simulação continuar levando horas e sua execução, dias. O valor aparece quando as análises fundamentais são rápidas, automatizadas, determinísticas e utilizáveis enquanto o projeto muda.
A leitura mais importante aqui é que a inteligência artificial não eliminará as fronteiras entre especificação, implementação, verificação e aprovação. No entanto, ela poderá reduzir o custo da conciliação em cada fronteira, desde que essas fronteiras deixem de ser locais de perda de significado e se transformem em pontos de agregação de evidências. Na prática, o modelo mais próximo da realidade continua sendo: inteligência artificial para exploração, coordenação e velocidade, e mecanismos EDA determinísticos para provar a correção do resultado.