Sztuczna inteligencja, traktowana dotąd w projektowaniu układów scalonych z dużą ostrożnością, zaczyna przejmować całe sekwencje zadań – od pracy nad RTL i testami po analizę wyników oraz przygotowanie materiałów do sign-off. Kluczem do sukcesu ma być połączenie modeli AI z narzędziami inżynierskimi dającymi deterministyczne dowody poprawności, bez rezygnacji z kontroli człowieka tam, gdzie liczy się najbardziej.
Pierwsza fala AI w inżynierii ograniczała się do wyszukiwania informacji i generowania fragmentów kodu – działała punktowo, wspierając pojedynczego inżyniera. Agentic AI zmienia ten schemat: system samodzielnie rozkłada cel na mniejsze zadania, dobiera narzędzia, analizuje wyniki i planuje kolejny krok, prowadząc uporządkowany, wieloetapowy proces zamiast odpowiadać na pojedyncze pytania.
Nie oznacza to jednak pełnej swobody dla algorytmów. W projektowaniu chipów każdy istotny rezultat musi przejść przez standardowe narzędzia weryfikacyjne – kompilatory, lintery, symulatory, weryfikację formalną. Owszem, AI planuje i proponuje, ale o poprawności decyduje deterministyczne sprawdzenie.
„Branża projektowania układów półprzewodnikowych, poza samym rozwojem programowalnych narzędzi EDA (Electronic Design Automation), znacznie częściej opiera się na niestandardowych skryptach i procesach przetwarzania danych, wykorzystywanych do rozwiązywania różnorodnych, często unikalnych lub krótkoterminowych wyzwań projektowych. Zadania te oraz związane z nimi odrębne procedury muszą być starannie opracowywane, odpowiednio zsekwencjonowane i precyzyjnie realizowane, a także uwzględniać weryfikację projektu na kolejnych etapach prac. Okazuje się, że koordynacja takich procesów jest zadaniem szczególnie dobrze dostosowanym do agentowych modeli LLM (agentic LLMs), a my dopiero zaczynamy dostrzegać wpływ sztucznej inteligencji na współczesne procesy projektowania układów półprzewodnikowych” – komentuje Cole Noppenberg, Physical Design Engineer w Capgemini Polska.
Największy potencjał tkwi we front-endzie projektowania czyli tam, gdzie dane mają postać możliwą do jednoznacznej weryfikacji: specyfikacje, kod RTL, asercje, logi z regresji. Agent może przełożyć opis funkcjonalności na wymagania, przygotować szkielety RTL i SVA czy pogrupować błędy z regresji, wskazując ich przyczyny. Z kolei na dalszych etapach – takich jak timing, DRC czy zmiany ECO – autonomia maleje, bo każda propozycja wymaga potwierdzenia w specjalistycznych narzędziach EDA.
Jakość danych i rozsądny dobór modeli
W branży półprzewodników jednym z największych wyzwań jest dostęp do danych. Najcenniejsze informacje projektowe to własność intelektualna, której nie da się masowo udostępniać ogólnym modelom. Skuteczność AI zależy więc od starannie dobranych danych wewnętrznych, mechanizmów RAG opartych na zatwierdzonych artefaktach oraz danych syntetycznych odwzorowujących typowe błędy. Liczy się nie ilość, lecz mierzalne wskaźniki jak poprawność kompilacji, odsetek zaliczonych regresji czy pokrycie testami.
Ten sam rozsądek dotyczy wyboru modeli. Otóż prostsze czynności, takie jak analiza logów czy przygotowywanie szablonów, mogą być wykonywane przez lżejsze rozwiązania. Z kolei te trudniejsze, jak na przykład debugowanie błędów lub analiza zależności między różnymi artefaktami, mogą trafiać do modeli o większych możliwościach. Decyduje efekt końcowy czyli wiarygodny, zweryfikowany rezultat, a nie rozmiar modelu.
Kontrola rośnie wraz z autonomią
Im więcej aitomatyzacji, tym większego znaczenia nabierają ochrona danych, kontrola dostępu i możliwość odtworzenia decyzji podejmowanych przez system. Właśnie dlatego w środowisku półprzewodnikowym podstawą pozostają ścisła izolacja projektów, zasada najmniejszych uprawnień oraz wdrożenie on-premise lub w prywatnym środowisku VPC. Działania agentów, w tym prompty, wywołania narzędzi, wprowadzane zmiany i ich zatwierdzenia, powinny pozostawiać pełny ślad audytowy.
„Sztuczna inteligencja nie zastępuje kompetencji inżynierskich, lecz je wzmacnia. W projektowaniu układów scalonych największą wartość daje wtedy, gdy przejmuje powtarzalne zadania i pomaga szybciej analizować ogromną ilość danych. Warunkiem skutecznego wykorzystania AI jest pełna transparentność danych, działań i wyników weryfikacji – to człowiek nadal ponosi odpowiedzialność za kluczowe decyzje techniczne” – podkreśla Jakub Rachoń, Analog Design Engineer w Capgemini Polska.
Co dalej?
W najbliższych latach najważniejsza zmiana dotyczyć będzie nie pełnej automatyzacji projektowania, lecz ograniczenia pracy pomiędzy etapami – koordynacji zadań, analizy logów, przygotowania materiałów do oceny. Finalny sign-off pozostanie domeną człowieka i deterministycznych mechanizmów. Kierunek ten widać też w praktyce Capgemini, które w ramach obszaru Electronics and Semiconductor rozwija narzędzia wspierające debugging, automatyzację i testy (w tym asystenta CHIP-IQ) pod nadzorem dedykowanego Center of Excellence.
