Nvidia forbinder fysiksimulering med dets AI-agentværktøj

Nvidia (NVDA ) har foldet sin PhysicsNeMo fysik-AI-bibliotek og et sæt GPU-matematisk biblioteker ind i NVIDIA Agent Toolkit, hvilket gør accelererede solvere til noget, en autonom designagent kan kalde på samme måde, som den kalder på andre værktøjer. Selskabet meddelte udvidelsen fra Design Automation Conference i Long Beach, Californien, sammen med et nyt bibliotek kaldet cuISS rettet mod iterative sparse solvere.

Det sidste punkt er det, der er værd at gå i detaljer med. Sparsom lineær algebra er den aritmetik, der ligger under næsten enhver fysisk simulation, en ingeniør kører, fra fluidstrøm til strukturstress til elektromagnetisme, og det er en arbejdsmængde, der har levet på CPU-klynger i årtier. Nvidia leverer nu tre biblioteker, der dækker det: cuISS til iterative solvere, cuDSS til de direkte sparse solvere, der bruges i kredsløb- og enhedssimulation, og cuEST til kvantekemi-metoderne, der forudsiger, hvordan materialer opfører sig på atomskala.

“Ingeniørarbejde har nået et vendepunkt. AI kan nu arbejde med værktøjer til fysik, simulation og design,” sagde Timothy Costa, vicepræsident og administrerende direktør for beregningsingeniørarbejde hos Nvidia, i meddelelsen.

Hvad der faktisk flytter over på GPU’er

Fjern agent-rammen, og partnerresultaterne, som Nvidia offentliggjorde, ligner en opgørelse over simuleringarbejdsmængder, der flyttes fra processorer og over på deres acceleratorer. Hver figur nedenfor er Nvidias egen, rapporteret uden en navngivet baseline-maskine, kerneantal eller softwareversion:

• Samsung rapporterer op til 20 gange hurtigere beregningslitografi ved hjælp af cuLitho og anvender PhysicsNeMo til chip-skala termisk-stress-problemer, der spænder over op til 10 milliarder celler.
• Keysight bruger cuDSS til at accelerere elektromagnetisk simulation op til 10 gange.
• Silvaco kørte en 3,2 milliards-mesh-node fotonic kant-koblings-simulation på under fire timer på 32 GPU’er forbundet med NVLink, en opgave, som Nvidia siger, CPU-baseret simulation ikke kan håndtere praktisk.
• TSMC, Samsung og Synopsys integrerer cuEST for, hvad Nvidia påstår, er op til 50 gange hurtigere på kerne kvantekemi-arbejdsmængder.

Cadence leverer det klareste billede af, hvordan dette sælges. Dets AuraStack AI Super Agent, rettet mod printede kredsløbsskiver og avanceret pakning, kører cuDSS på Millennium M2000, en Blackwell-baseret multiphysik-system, som Cadence sælger som en supercomputer. I dets egen konferenceblog påstår Cadence op til 15 gange hurtigere design-arbejdsgange og op til 2 gange hurtigere tid til markedet oven på de 20 gange multiphysik-tallet i Nvidias meddelelse, og det angiver størrelsen af den adresserbare pulje tydeligt: verificering alene forbruger milliarder af beregnings timer om året på tværs af industrien.

Nvidia gentog også sin påstand om, at Nemotron 3 Ultra open model overgår andre åbne modeller ved agentic kodning af register-overførselsniveau-design, den hardware-beskrivende kode, der specificerer en chips logik. Det resultat kommer fra en Nvidia Research-agent, der måles på en benchmark, som Nvidia offentliggør, hvilket gør det til et selskabsmåling af selskabssoftware snarere end en ekstern dom.

Bibliotekerne er gratis. Silicium er ikke.

PhysicsNeMo er open source under Apache 2.0-licensen, bygget på PyTorch, med containere til rådighed uden omkostninger. CUDA-X-bibliotekerne er gratis erstatninger for håndoptimeret parallel kode. Ingen af dem kører noget sted uden for Nvidia GPU’er.

Det er den handel, meddelelsen indekoder. Giv væk den numeriske lag-engineeringssoftware, som værktøjsleverandørerne ellers selv skulle skrive, og hardwaren under bliver den eneste linje, nogen betaler for. Agent Toolkit er distributionskanalen: modeller, værktøjer og en runtime, som Cadence, Siemens og Synopsys hver især bygger deres egne agenter oven på, med Nvidias biblioteker siddende på bunden af alle tre stakke.

Læst sammen med Nvidias parallelle skub for at sætte sin Vera CPU i verificeringsarbejdsmængder, der nægter at køre på GPU’er, dækker strategien begge halvdele af en chipselskabs beregningsregning. Solver-bundne simulation går til acceleratorerne. Single-tråd-bundne verificering går til en CPU, som Nvidia også bygger.

Hvad udgivelsen ikke forpligter sig til

Nvidia gav cuISS ingen udgivelsesdato. Meddelelsen linker til udvikler-sider for cuDSS og cuEST, men har ingen landingsside at pege på for det nye bibliotek, og den beskriver Synopsys som stadig udvikler brugs Tilfælde for det snarere end at køre det i produktion. Udgivelsens egen safe-harbor-sprog er åben om resten: mange af de beskrevne produkter “forbliver i forskellige stadier og vil blive tilbudt på en hvis-og-når-tilgængelig basis”.

Accelereringerne har ingen dommer heller. MLCommons offentliggør auditerede resultater for AI-træning og slutning, og intet lignende findes for computer-aidet ingeniørarbejde, så hver multiple i meddelelsen er en leverandørnummer uden en offentliggjort sammenligningspunkt. Chip- og system-selskaber, der vurderer dem, vil køre deres egne design gennem deres egne arbejdsgange, hvilket er den eneste måling, der afgør en køb.

Signalet at se på er ikke det næste skud af accelereringskrav på en handelsmesse. Det er, om ingeniør-organisationer begynder at pensionere CPU-kapacitet i deres simulations-farme, en skift, der viser sig i, hvad de køber snarere end, hvad de siger på en stand. Nvidia har nu placeret sine biblioteker under agent-platformen for hver design-software-udbyder, der er nævnt i meddelelsen, inklusive de autonome verificerings-agenter, Synopsys afslørede på samme konference. Uanset hvilken af dem, der vinder design-arbejdsgangen, er solveren under den samme, og den kører på Nvidia-silicium.