Nvidia Ansluter Fysiksimulering Till Sitt AI-agentverktyg

Nvidia (NVDA ) har integrerat sina PhysicsNeMo-fysik-AI-bibliotek och en uppsättning GPU-matematiska bibliotek i NVIDIA Agent Toolkit, vilket gör att accelererade solvers kan kallas av en autonom designagent på samma sätt som den anropar andra verktyg. Företaget meddelade utvidgningen från Design Automation Conference i Long Beach, Kalifornien, tillsammans med ett nytt bibliotek som heter cuISS, riktat mot iterativa sparse solvers.

Det sista punkten är den del som är värd att sakta ner på. Sparse linjär algebra är den aritmetik som ligger under nästan varje fysisk simulering som en ingenjör kör, från fluidflöde till strukturstress till elektromagnetism, och det är en arbetsbelastning som har levt på CPU-kluster i decennier. Nvidia levererar nu tre bibliotek som täcker det: cuISS för iterativa solvers, cuDSS för de direkta sparse solvers som används i kretssimulering och enhetssimulering, och cuEST för kvantkemi-metoderna som förutsäger hur material beter sig på atomskalan.

“Ingenjörsvetenskapen har nått en vändpunkt. AI kan nu arbeta med verktyg för fysik, simulering och design”, sa Timothy Costa, vicepresident och general manager för beräkningsingenjörsvetenskap på Nvidia, i meddelandet.

Vad som faktiskt flyttar till GPU:er

Ta bort agentramen och partnerresultaten som Nvidia publicerade läser som en inventering av simuleringarbetsbelastningar som flyttas från processorer till deras acceleratorer. Varje siffra nedan är Nvidias egen, rapporterad utan en namngiven basmaskin, kärntal eller programversion:

• Samsung rapporterar upp till 20 gånger snabbare beräkningslitografi med cuLitho och tillämpar PhysicsNeMo på chip-skaletermiska stressproblem som omfattar så många som 10 miljarder celler.
• Keysight använder cuDSS för att öka elektromagnetisk simulering med upp till 10 gånger.
• Silvaco körde en 3,2 miljarder mesh-nodsimulering av en fotonisk kantkoppling i mindre än fyra timmar över 32 GPU:er som anslutits med NVLink, ett jobb som Nvidia säger att CPU-baserad simulering inte praktiskt sett kunde hantera.
• TSMC, Samsung och Synopsys integrerar cuEST för vad Nvidia påstår är upp till 50 gånger snabbare kärnkemiska arbetsbelastningar.

Cadence tillhandahåller den tydligaste bilden av hur detta säljs. Deras AuraStack AI Super Agent, riktad mot tryckta kretskort och avancerad förpackning, kör cuDSS på Millennium M2000, ett Blackwell-baserat multiphysiksystem som Cadence säljer som en superdator. I deras egen konferensblogg hävdar Cadence upp till 15 gånger snabbare designflöden och upp till 2 gånger snabbare tid till marknaden utöver de 20 gånger multiphysiska siffran i Nvidias utgåva, och det anger storleken på den adresserbara poolen tydligt: verifiering ensam konsumerar miljarder beräknings timmar per år över hela branschen.

Nvidia upprepade också sitt påstående att Nemotron 3 Ultra open modell leder andra öppna modeller vid agenteringskodning av registeröverföringsnivådesign, den maskinbeskrivande koden som specificerar en chips logik. Detta resultat kommer från en Nvidia Research-agent som mättes på en benchmark som Nvidia publicerar, vilket gör det till ett företagsmätning av företagsprogramvara snarare än en utomståendes dom.

De biblioteken är gratis. Kisel är inte det.

PhysicsNeMo är öppen källkod under Apache 2.0-licensen, byggd på PyTorch, med containrar tillgängliga utan kostnad. CUDA-X-biblioteken är gratis ersättningar för handjusterad parallell kod. Inget av dem körs någonstans förutom på Nvidia-GPU:er.

Det är den handel som meddelandet kodar. Ge bort den numeriska lageringenjörsmjukvaran som programvaruleverantörerna annars skulle ha skrivit själva, och maskinvaran under blir den enda posten som någon betalar för. Agent Toolkit är distributionskanalen: modeller, verktyg och en körning som Cadence, Siemens och Synopsys alla bygger sina egna agenter ovanpå, med Nvidias bibliotek som sitter i botten av alla tre stackar.

Läs tillsammans med Nvidias parallella push för att lägga sin Vera CPU i verifieringsarbetsbelastningarna som vägrar att köras på GPU:er, täcker strategin båda halvorna av en chipföretags beräkningsräkning. Solver-bunden simulering går till acceleratorerna. Single-thread-bunden verifiering går till en CPU som Nvidia också bygger.

Vad utgåvan inte åtar sig

Nvidia gav cuISS ingen leveransdatum. Meddelandet länkar till utvecklarssidor för cuDSS och cuEST men har ingen landningssida att peka på för det nya biblioteket, och det beskriver Synopsys som fortfarande utvecklar användningsfall för det snarare än att köra det i produktion. Utgåvans egen säkerhetslanguage är tydlig om resten: många av de beskrivna produkterna “förblir i olika skeden och kommer att erbjudas på ett när-och-om-de-finns-tillgängliga-basis”.

Prestandaförbättringarna har ingen domare heller. MLCommons publicerar granskade resultat för AI-träning och inferens, och ingenting liknande finns för datorstödd ingenjörsvetenskap, så varje multiplikator i utgåvan är en leverantörsnummer utan avslöjad jämförelsepunkt. Chip- och systemföretag som utvärderar dem kommer att köra sina egna design genom sina egna flöden, vilket är den enda mätningen som bestämmer ett köp.

Signalen att titta på är inte den kommande omgången av prestandaförbättringspåståenden på en handelsmässa. Det är om ingenjörsorganisationer börjar pensionera CPU-kapacitet i sina simuleringsfarmar, en förändring som visas i vad de köper snarare än vad de säger på en monter. Nvidia har nu placerat sina bibliotek under agentplattformen för varje designprogramvaruleverantör som nämns i utgåvan, inklusive de autonoma verifieringsagenter som Synopsys presenterade på samma konferens. Oavsett vem som vinner designflödet är solversystemet under likadant, och det körs på Nvidia-kisel.