AI-modeller och plattformar
Synopsys Lämnar Chipverifiering till Autonoma AI-agenter
Lägg till Unite.AI bland dina föredragna källor på Google
Synopsys meddelade den 26 juli 2026 att de har byggt en designverifieringsagent som kan köra en chips hela verifieringscykel utan att en ingenjör driver den, och att systemet når validerad RTL upp till 50 gånger snabbare medan det levererar en ytterligare 20% förbättring av täckning. Företaget tillkännagav arbetet på Design Automation Conference i Long Beach, Kalifornien, där de visar flödet för första gången. Inget levereras ännu. Kunder utvärderar funktionerna just nu, med tillgänglighet planerad för den andra halvan av 2026, ett fönster som redan har börjat.
Agenten kombinerar Synopsys AgentEngineer-teknologi med NVIDIA:s (NVDA ) agentstack: NVIDIA Agent Toolkit, Nemotron 3 Ultra öppen modell och en sandboxningslager som NVIDIA kallar OpenShell-runtime. En orkestreringsagent hämtar verifieringsmål från specifikationen, designen, den befintliga testdatabasen och ingenjörsinmatning, sedan skickar den specialiserade agenter över testplan-generering, täckningsavslutning och felsökning. Täckningsavslutning är steget där ett team bevisar att deras tester faktiskt utövade logiken, och Synopsys beskriver det som en av de största flaskhalsarna i processen.
Prestandasiffrorna är leverantörernas egna
Varje prestandasiffra här kommer från företagen som säljer verktygen, och baslinjerna är tunna. 50x- och 20%-påståendena har en fotnot som jämför dem med “traditionella verifieringsflöden som inte drivs av AgentEngineer-teknologi”, utan någon namngiven design, processnod och ingenjörsarbetstid. Det analoga påståendet, upp till 3x produktivitet för en blandad signalflöde orkestrerad av samma teknik, vilar på en fotnot som i princip upprepar sig själv.
Fyra månader tidigare, på sin egen Converge-konferens den 11 mars 2026, beskrev Synopsys en mindre autonom version av samma idé, en “L4”-multiagent-design- och verifieringsflöde, och satte vinsterna till 2x produktivitet med upp till 5x i utvalda fall. Den utgåvan noterade också att front-end-design av en stor system-on-chip vanligtvis upptar en verifieringsteam i fyra till sex månader. De två måtten är inte identiska, men avståndet mellan 2x i mars och 50x i juli är tillräckligt stort för att vilja ha en kunds egna före- och efter-siffror innan man behandlar det som avgjort.
Det finns ingen hjälp från oberoende testning. Tränings- och inferenssilikon har MLPerf, en gemensam inlämningsformat med en offentlig resultatlista; agentbaserade designflöden har ingen benchmark på rekord. NVIDIA:s angränsande påstående, att Nemotron 3 Ultra leder öppna modeller på agentbaserad registeröverföringskodning, vilar på en benchmark som NVIDIA publicerar, mätt med en agent som NVIDIA Research byggde. Startups som jagar samma marknad, bland dem Chipmind, som lanserades från stealth för att bygga om chipdesign med AI-agenter, står inför samma bevisgap.
Var EDA-arbetsbelastningen faktiskt körs
Den andra halvan av tillkännagivandet handlar mindre om agenter och mer om maskinvara. Synopsys säger att mer än 20 av deras EDA- och multiphysikprodukter nu är GPU-accelererade. De rapporterar kretssimulering i PrimeSim SPICE som körs ungefär 18 gånger snabbare i total väggklocktid på NVIDIA-GPU:er än på CPU-baserade körningar, en 10x-hastighetsökning för Ansys Lumerical elektromagnetisk simulering och upp till 50x för kvantkemi-arbete i QuantumATK med hjälp av NVIDIA:s cuEST-bibliotek.
Det är en betydande block av ingenjörsberäkning som flyttar från CPU-hyllor till NVIDIA-hårdvara inom designhusen som bygger acceleratorer. NVIDIA:s egen tillkännagivande lägger till en sparse-solver-bibliotek, cuISS, till deras CUDA-X-uppsättning och säger att Synopsys VCS-simulatoren justeras för deras Vera CPU. Verktygen som designar nästa generation av AI-silikon körs alltmer på den nuvarande.
Synopsys visade också en autonom arbetsflöde för elektroniktermisk analys, byggd på Ansys Icepak, kylsimuleringsverktyget de valde i Ansys-förvärvet, plus öppen källkod PyAEDT-bibliotek. Det hanterar simuleringsinställning och för- och efterbearbetning oövervakat. NVIDIA:s beskrivning av samma arbete namnger applikationen mer tydligt: GPU-kyl-designoptimering. Tim Costa, NVIDIA:s vicepresident och generalmanager för beräkningsingenjörskap, sa att agenterna hjälper team “att avsluta verifiering, automatisera termisk analys och komprimera utvecklingscykler från veckor till timmar”.
Varje EDA-leverantör valde samma partner
NVIDIA:s utgåva listar Cadence, Siemens, Samsung, Keysight, Silvaco och TSMC bredvid Synopsys. Cadences paketering och brädaflöde krediteras med upp till 20x snabbare multiphysikprestanda. Siemens säger att agentbaserade arbetsflöden skär ner biblioteks karaktäriseringstid med mer än 10x samtidigt som de minskar tokenkostnader med en liknande faktor. Samsung rapporterar upp till 20x på beräkningslitografi med hjälp av cuLitho. Alla tre stora EDA-leverantörer fäste sin autonomi-berättelse till samma leverantörs modeller, bibliotek och runtime samma dag.
Det finns två saker som skulle göra påståendena kontrollerbara. Det första är en kund som publicerar täckningsavslutningsnummer från en namngiven design på en namngiven nod. Det andra är tydlighet i om den andra halvans tillgänglighetsfönster innebär allmän utgåva eller begränsad tidig åtkomst.
Distributionsfrågan har mest på spel. Nemotron är en öppen viktmodell som kan post-tränas på proprietär data och köras lokalt, en punkt som NVIDIA gör explicit. RTL är bland det mest välbevakade immateriella egendomen som ett chipföretag har, tillräckligt värdefullt att regeringar har vägt att begränsa dess export. En autonom verifieringsagent behöver hela designen för att göra sitt jobb. Om den kan göra det jobbet inom kundens egen brandvägg avgör vem som kan använda den över huvud taget.
