Autor: Harry Foster, Siemens EDA
Jahrzehntelang gingen Fortschritte in der elektronischen Entwurfsautomatisierung (EDA) mit schnelleren Engines einher. Verifikationsteams waren auf leistungsfähigere Simulatoren, skalierbare formale Werkzeuge und Solver-Engines mit höherer Kapazität angewiesen, um mit dem Wachstum der Designs Schritt halten zu können.
Dieser Ansatz stößt nun an seine Grenzen.
In der modernen System-on-a-Chip-Entwicklung ist der eigentliche Engpass nicht mehr der reine Durchsatz der Tools, sondern die Koordination. Die Verifikation ist zu einem kontinuierlichen, adaptiven Prozess geworden. Ingenieure müssen Ergebnisse interpretieren, die Zielsetzung präzisieren und Strategien über verschiedene Tools und Iterationen hinweg anpassen. Die Produktivität wird zunehmend durch die Komplexität der Arbeitsabläufe und nicht mehr durch die Rechenleistung begrenzt.
Von der Automatisierung bis zur Workflow-Intelligenz
Die traditionelle Automatisierung ermöglicht stabile Eingaben und vorhersehbare Abläufe. Die RTL-Verifikation funktioniert anders. Designs entwickeln sich weiter, Spezifikationen ändern sich, und Zwischenergebnisse decken oft neue Risiken auf.
Hier gewinnt die agentenbasierte KI an Bedeutung.
Anstatt einzelne Schritte isoliert zu optimieren, arbeiten agentenbasierte Systeme über Arbeitsabläufe. Agenten überwachen den Verifizierungsstatus, planen spezifische Aktionen, führen Aufgaben aus und fassen die Ergebnisse zusammen.
Integration ist entscheidend. KI, die außerhalb der Toolchain agiert und Protokolle analysiert oder Skripte generiert, kann den Prüfaufwand erhöhen und das Vertrauen in die Ergebnisse mindern. Integrierte Ansätze hingegen ermöglichen die Bewertung KI-generierter Aktionen anhand derselben Abdeckungsmodelle, semantischen Kriterien und Prüfungen, die auch für die abschließende Validierung erforderlich sind.
Den Menschen in den Entscheidungsprozess einbeziehen
Trotz rasanter Fortschritte im Bereich der KI bleibt vollständige Autonomie für die RTL-Verifizierung unrealistisch. Und sie ist auch nicht wünschenswert.
Ziel ist es nicht, Ingenieure zu ersetzen, sondern die manuelle Koordination zu reduzieren, damit diese sich auf Entscheidungsfindung und Risikominderung konzentrieren können.
Verifizierungsentscheidungen hängen von unvollständigen Spezifikationen, impliziten Annahmen und technischen Kompromissen ab, die menschliches Fachwissen erfordern. Die Bestimmung von „ausreichend guten“ Ergebnissen ist nicht absolut.
Effektive agentenbasierte Systeme sind daher nutzerzentriert. KI-Agenten unterstützen, indem sie Aktionen vorschlagen, Aufgaben ausführen und Informationen bereitstellen. Die Entwickler behalten die Kontrolle über alle Entscheidungen, die Absicht, Umfang und die endgültige Genehmigung betreffen.
In der Praxis bedeutet dies, explizite Genehmigungspunkte im Arbeitsablauf festzulegen. KI beschleunigt die Ausführung und Analyse, die endgültige Validierungsbefugnis verbleibt jedoch beim Ingenieur.
(Quelle: Siemens Digital Industries Software)
Eine solide Grundlage für zuverlässige Arbeitsabläufe
Die Implementierung dieses Modells erfordert mehr als nur das Hinzufügen von KI-Funktionen zu bestehenden Werkzeugen. Sie basiert auf einer Architektur, die Verifizierungs-Engines auf strukturierte und semantisch sinnvolle Weise bereitstellt.
Die nativen Schnittstellen der Engine ermöglichen es Agenten, Tools auszuführen, Ergebnisse zu erhalten und den Systemzustand direkt zu beobachten. Anstatt auf unstrukturierte Eingaben angewiesen zu sein, bieten diese Schnittstellen kontrollierte Einstiegspunkte, beispielsweise zum Ausführen von Simulationen, zum Abfragen der Abdeckung und zum Durchführen von Fehleranalysen.
Kontext ist entscheidend. Indem agentenbasierte Systeme Beziehungen zwischen Entwürfen, Tests, Zusicherungen und historischen Ergebnissen aufrechterhalten, können sie iterativ vorgehen. Diese Kontinuität ist in komplexen Verifikationsumgebungen, in denen jeder Schritt auf vorherigen Ergebnissen aufbaut, von zentraler Bedeutung.
Wo bietet agentenbasierte KI einen Mehrwert?
Die ersten Anwendungen agentenbasierter KI verbessern bereits die Produktivität in verschiedenen RTL-Workflows:
- RTL-Entwicklung: Die KI-gestützte Codegenerierung ermöglicht es Ihnen, Designziele mit Verifizierungsanforderungen in Einklang zu bringen und Probleme frühzeitig zu erkennen.
- Lint- und statische Analyse: Intelligentere Konfiguration und kontextbezogene Filterung helfen, Störungen zu reduzieren und die Aufmerksamkeit auf die wirklichen Probleme zu lenken.
- Cross-clock domains (CDC): Iterative Analyse und Verfeinerung beschleunigen die Konvergenz hin zu robusten asynchronen Designs.
- Verifizierungsplanung: KI-Agenten können sich ändernde Spezifikationen in strukturierte Pläne übersetzen, die sich an die sich ändernden Designs anpassen.
- Reinigung: Durch die Korrelation der Wellenformen, Aussagen und Aufzeichnungen aller Darbietungen lassen sich die möglichen zugrunde liegenden Ursachen schneller aufdecken.
In all diesen Fällen zeigt sich ein einheitliches Muster: begrenzte Automatisierung, ein stabiles Umfeld und menschliche Kontrolle. Das Ergebnis ist eine messbare Produktivitätssteigerung ohne Einbußen bei der Genauigkeit.
Risikomanagement und Vertrauenserhalt
Wie jede Automatisierung birgt auch agentenbasierte KI neue Risiken. Weniger eingeschränkte Systeme könnten Fehler verbreiten oder Absichten verschleiern.
Die Lösung besteht nicht darin, die Kapazität zu begrenzen, sondern die Struktur zu stärken.
Begrenzte Aktionen schränken die Handlungsfähigkeit von KI-Agenten ein. Die Validierung durch die Engine gewährleistet, dass die Ergebnisse den Produktionsstandards entsprechen. Strukturierte Schnittstellen reduzieren Mehrdeutigkeiten. Die obligatorische menschliche Überprüfung sichert die Verantwortlichkeit an wichtigen Entscheidungspunkten.
Dies entspricht der Realität der Verifizierung, deren Verantwortung letztendlich bei den Entwicklungsteams liegt. In diesem Modell ergänzt KI das Fachwissen, anstatt es zu ersetzen.
In die Zukunft schauen
Agentenbasierte KI in der Elektronikentwicklungsautomatisierung entwickelt sich stetig weiter, doch die Richtung ist klar. Das aktuelle Ziel besteht darin, Reibungsverluste bei Planung, Ausführung und Analyse zu minimieren und gleichzeitig die Kontrolle der Ingenieure zu erhalten.
Langfristig könnte sich daraus eine umfassendere Orchestrierung entwickeln, aber nur, wenn sie durch Transparenz und robuste Validierung unterstützt wird.
Mit zunehmender Komplexität von Designs ergeben sich die größten Vorteile aus der Optimierung der Arbeitsabläufe, nicht nur aus der Geschwindigkeit der Werkzeugausführung. Agentische KI steht für einen Wandel hin zu Workflow-Intelligenz und unterstützt Teams dabei, schneller zu arbeiten, ohne die für die abschließende Validierung notwendige Sorgfalt zu beeinträchtigen.
Für Verifizierungsteams, die mit einer stetig wachsenden Iterationslast konfrontiert sind, kommt diese Änderung zum perfekten Zeitpunkt.
