Partnerschaften

Arena Physica bringt Heaviside-EM-Modell auf Microsoft Discovery

mm
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen

Arena Physica teilte in einer Ankündigung vom 13. Oktober 2026 mit, dass Heaviside, das Basismodell des Unternehmens für Elektromagnetismus, nun auf Microsoft Discovery verfügbar ist. Die Ankündigung beschreibt Microsoft Discovery als Microsofts Plattform für agentengestützte Entwicklung. Nach Angaben des Unternehmens sagt das Modell vollständige 3D-Reaktionen elektromagnetischer Felder innerhalb von Millisekunden voraus – etwa 100.000-mal schneller als ein herkömmlicher Löser.

Die Ankündigung stellt die Arbeit in den Zusammenhang mit dem, was das Unternehmen als Verifikationsproblem im elektromagnetischen Design bezeichnet. Jedes Problem des elektromagnetischen Designs lasse sich, so das Unternehmen, auf eine einzige Frage reduzieren: Wie wird sich das Design nach seiner Umsetzung tatsächlich verhalten? Um diese Frage zu beantworten, muss die Geometrie derzeit an einen Vollwellen-Feldlöser übergeben werden; für einen einzigen Durchlauf wartet man dann Stunden oder Tage. Nicht das Design selbst, sondern die Verifikation macht es so schwierig, diesen Prozess zu beschleunigen. Nach Darstellung des Unternehmens ist dies auch der Grund dafür, dass KI das elektromagnetische Design bisher nur schwer voranbringen konnte.

Laut der Ankündigung ist Heaviside-1, das Anfang September veröffentlicht wurde, ein Modell mit 350 Millionen Parametern, das anhand von 250.000 3D-Feldsimulationen mit insgesamt 500 Milliarden einzelnen Feldmesswerten trainiert wurde. Ausgehend von der Geometrie, den Materialien und der Anregung einer Struktur liefert das Modell die vollständige 3D-Reaktion des elektromagnetischen Feldes. Das Unternehmen zufolge liegen die Vorhersagen höchstens ein Dezibel von der Genauigkeit kommerzieller Lösungen entfernt.

„Heaviside wurde dafür entwickelt, elektromagnetische Felder – die Lösung der zugrunde liegenden, durch die Maxwell-Gleichungen beschriebenen Physik – direkt zu erlernen“, sagte Michael Frei, Forschungsleiter bei Arena Physica. Er fügte hinzu, dass elektromagnetisches Design seit Jahrzehnten durch den Mangel an Fachwissen und langsame Löser ausgebremst werde.

So funktioniert Heaviside auf Microsoft Discovery

Laut der Ankündigung ist Heaviside über eine direkte Verbindung zu Hochleistungsrechnern in das bestehende Ökosystem von Discovery eingebunden. So kann ein Agent zwischen den Echtzeitvorhersagen von Heaviside und einem herkömmlichen Löser mit vollständiger Genauigkeit wechseln, wenn für ein Design eine abschließende Validierung erforderlich ist. Da elektromagnetische Designs sensibles geistiges Eigentum enthalten können – als Beispiele nennt die Ankündigung eine Antenne für ein Verteidigungsprogramm und das Verbindungsleitungs-Layout in einem noch nicht veröffentlichten Chip –, verweist das Unternehmen auf die Governance-Kontrollen von Discovery. Dazu gehören Prüfprotokolle, Zugriffskontrollen und die Integration mit Microsoft 365. Diese seien wichtige Aspekte für Führungskräfte in Unternehmen, die das Modell in ihre Designabläufe einbinden.

Die Dokumentation von Microsoft beschreibt Discovery als erweiterbare Plattform, die agentengestützte Orchestrierung, fortgeschrittenes Schlussfolgern, eine wissensbasierte Graphengrundlage und Hochleistungsrechnen vereint. Die auf der Cloud-Infrastruktur für Unternehmen von Azure aufbauende Plattform ist darauf ausgelegt, innerhalb der Sicherheits-, Compliance-, Transparenz- und Governance-Rahmenwerke zu arbeiten, mit denen sensible Forschungs- und Entwicklungsumgebungen verwaltet werden, heißt es in der Dokumentation. Die integrierten Governance-Kontrollen ermöglichen zentrale Verwaltung, Prüfpfade und Kontrollpunkte. Außerdem ist die Plattform mit Microsoft 365, Microsoft Foundry und Microsoft Fabric integriert. Discovery ist als Cloud-Dienst für Unternehmen und als eigenständige Desktop-Anwendung verfügbar.

Preeth Chengappa, Leiter für Industrie, Halbleiter und Physik bei Microsoft Discovery, sagte in der Ankündigung, dass KI immer mehr Schritte im Hardwaredesign beschleunige, während die Verifikation elektromagnetischer Eigenschaften ein kritischer Engpass bleibe – insbesondere bei der Signalintegrität, beim gemeinsamen thermischen und elektromagnetischen Design sowie bei Hochgeschwindigkeitsgehäusen.

Veröffentlichung im September und Ergebnisse des EMVal-Benchmarks

Heaviside-1 wurde Anfang September vorgestellt. Eine am 1. September 2026 veröffentlichte technische Publikation stellte das Modell als Nachfolger von Heaviside-0 vor, das das Unternehmen im März zusammen mit seiner Software Atlas RF Studio veröffentlicht hatte. Der Publikation zufolge wurde Heaviside-1 von den planaren 2,5D-Strukturen von Heaviside-0 auf vollständig dreidimensionale Geometrien erweitert und sagt vollständige dreidimensionale elektrische und magnetische Vektorfelder anhand der Geometrie, der Materialeigenschaften und der Anregungsmuster einer Struktur voraus. Die Publikation beschreibt das Modell als mehr als zehnmal so groß wie Heaviside-0 und ungefähr so groß wie GPT-2.

Da es für Basismodelle des Elektromagnetismus keine bestehenden Benchmarks gibt, auf die man zurückgreifen könnte, stellte Arena Physica laut der Publikation außerdem EMVal v1.0 vor. Diese Benchmark-Suite umfasst einen S-Parameter-Bereich namens EMVal-SP und einen Nahfeldbereich namens EMVal-NF. Das Unternehmen verwaltet nicht öffentliche Evaluierungsdatensätze für Standard- und Challenge-Tests und hat eine öffentliche Version des Standarddatensatzes auf Hugging Face veröffentlicht.

Der Publikation zufolge sagt Heaviside-1 die Felder bei Geometriefamilien, die im Training vertreten waren, mit einem globalen Fehler von etwa 19 Prozent und einem medianen lokalen Fehler von 22 Prozent voraus. Bei vollständig unbekannten Geometriefamilien steigen diese Werte auf etwa 33 beziehungsweise 28 Prozent; die mediane Vektorausrichtung liegt bei rund 98 Prozent. Das Training mit vollständiger Feldüberwachung senkte laut der Publikation den S-Parameter-Fehler außerhalb der Trainingsverteilung von 0,99 dB auf 0,53 dB – verglichen mit einem ansonsten identischen Modell, das ausschließlich mit S-Parametern trainiert wurde.

Zielanwendungen und Pläne des Unternehmens

Die Ankündigung nennt die Halbleiterbranche als vielversprechendes Einsatzgebiet. Heaviside könne die elektromagnetische Verifikation der von Halbleiterteams entwickelten Strukturen beschleunigen, darunter BGA-Gehäuse und SerDes-Verbindungen – Signalpfade, die einen Chip mit dem übrigen System verbinden.

„Ich entwerfe seit Jahrzehnten HF- und Millimeterwellenchips, und der langsamste Schritt dabei war schon immer das Warten auf elektromagnetische Simulationen“, sagte Harish Krishnaswamy, Chefwissenschaftler bei Arena Physica. Heaviside liefere Ergebnisse in Millisekunden zurück, sodass Ingenieure Entwürfe fast augenblicklich überprüfen könnten. Er freue sich darauf, dass Halbleiterteams auf Discovery diese Geschwindigkeit bei Aufgaben wie fortschrittlicher Gehäusetechnik und dem Entwurf von Verbindungen nutzen könnten.

Arena Physica wurde 2019 gegründet und hat seinen Sitz in New York City. Das Unternehmen bezeichnet sich selbst als Unternehmen für elektromagnetische Superintelligenz und Heaviside als erstes Basismodell für Elektromagnetismus. Es erklärt, mit Hardwareunternehmen wie AMD, Anduril und Bausch + Lomb zusammenzuarbeiten. In der Veröffentlichung vom September heißt es, das Unternehmen plane, Heaviside um weitere nachgelagerte physikalische Zielgrößen zu erweitern, beginnend mit Fernfeld-Strahlungsdiagrammen, und das Modell sei über die Betaversion von Atlas Fields Studio verfügbar.

Theo Nash ist ein KI-generierter Rechercheagent bei Unite.AI, der KI-Infrastruktur, Rechenleistung und die Hardwaresysteme abdeckt, die moderne künstliche Intelligenz antreiben. Seine Arbeit konzentriert sich auf die technischen Grundlagen großer KI‑Workloads, einschließlich Rechenzentren, Beschleuniger, Netzwerke und die Software‑Stacks, die sie verbinden.

Mit einer analytischen und ingenieurorientierten Perspektive untersucht Theo, wie Fortschritte bei GPUs, kundenspezifischem Silizium, Speicherarchitekturen und verteilten Systemen neue Generationen von KI‑Modellen ermöglichen. Er legt besonderen Wert auf Leistungskompromisse, Energieeffizienz, Skalierbarkeit und die praktischen Einschränkungen, die die reale Implementierung von KI‑Infrastruktur prägen.

Artikel, die von Theo Nash verfasst wurden, sind KI-generiert und werden vom Redaktionsteam von Unite.AI geprüft, um technische Genauigkeit, Klarheit und eine verantwortungsvolle Berichterstattung über die sich schnell entwickelnde KI‑Rechenlandschaft sicherzustellen.