Agentische KI in der EDA Wenn KI nicht mehr nur assistiert, sondern EDA-Workflows steuert

Anbieter zum Thema

Siemens EDA

MicroConsult Academy GmbH

MES Electronic Connect GmbH & Co. KG

IBR Leiterplatten GmbH & Co. KG

Mit dem Fuse EDA AI Agent will Siemens EDA die nächste Stufe der KI-gestützten Entwurfsautomatisierung erreichen. Im Zentrum steht nicht ein weiterer Copilot, sondern ein agentisches System, das komplexe Workflows über mehrere EDA-Tools hinweg planen, ausführen und überwachen soll.

KI beginnt in der EDA nicht erst mit generativer KI. Machine-Learning-Verfahren stecken längst in Werkzeugen, die Simulationen beschleunigen, Variationen besser beherrschbar machen oder einzelne Entwurfsschritte optimieren. Was sich derzeit verändert, ist der Anspruch: KI soll nicht mehr nur an einzelnen Stellen helfen, sondern ganze Abläufe über mehrere Werkzeuge hinweg koordinieren. Genau diese Richtung war 2026 bei mehreren EDA- und Halbleiterveranstaltungen zu erkennen. Wie ein solcher Orchestrator aussehen kann, zeigt Siemens EDA mit dem Fuse EDA AI Agent.

Der Fuse EDA AI Agent steht in diesem Jahr im Fokus des Unternehmens. Amit Gupta, Chief AI Strategy Officer und Senior Vice President und General Manager für Solido Custom IC bei Siemens EDA, beschreibt die Entwicklung hin zu agentischer KI als eine Verschiebung auf zwei Ebenen. Einerseits sollen KI und GPU-Beschleunigung die rechenintensiven Kernfunktionen der EDA-Werkzeuge beschleunigen, etwa Simulation, Verifikation oder Optimierung. Andererseits soll agentische KI die Produktivität der Ingenieure erhöhen, indem sie komplexe Abläufe über mehrere Tools hinweg plant und ausführt.

„Generative KI-Copiloten waren die erste Antwort der Branche auf diese zweite Notwendigkeit, aber sie sind nicht mehr ausreichend“, sagt Gupta. Angesichts zunehmender Designkomplexität und fragmentierter Toollandschaften ließen sich manuelle Skripte und isolierte Punktlösungen nicht mehr sinnvoll skalieren.

Der Fuse EDA AI Agent baut auf dem Fuse EDA AI System auf und soll Workflows im Halbleiter- und PCB-Systemdesign über mehrere Werkzeuge hinweg planen, ausführen und anpassen. Die Spanne reicht laut Siemens von frühen Design- und Verifikationsphasen über physische Implementierung, Timing Closure und Power-Optimierung bis hin zu DRC-Analysen, Design-for-Test und Manufacturing Sign-off. Damit adressiert Siemens einen Punkt, der in vielen Entwicklungsumgebungen zum Engpass geworden ist: Moderne Designs entstehen nicht in einem einzelnen Werkzeug, sondern in langen, hoch spezialisierten Toolketten. Je komplexer diese werden, desto größer wird der Aufwand, sie zu koordinieren. Nicht nur die Berechnungen selbst kosten Zeit, sondern auch die Übergaben zwischen Tools, die Validierung von Zwischenergebnissen und die Rückläufe, wenn ein späterer Schritt Probleme sichtbar macht.

Gupta formuliert den Anspruch entsprechend größer als bei einem klassischen Assistenzsystem: „Genau das bietet der Fuse EDA AI Agent: den Übergang von KI-Funktionen innerhalb einzelner Tools hin zu einer autonomen, durchgängigen Workflow-Orchestrierung.“ Kunden sollen dadurch Designzyklen verkürzen, ohne Qualitätsstandards aufzugeben. Wie stark dieser Effekt in der Praxis ausfällt, dürfte allerdings stark von der jeweiligen Toollandschaft, Datenbasis und Prozessreife im Unternehmen abhängen.

Warum generische KI für EDA nicht reicht

Halbleiter- und Leiterplattenentwicklung ist kein Umfeld, in dem sich ein allgemeiner KI-Agent einfach auf bestehende Tools setzen lässt. Die Prozesse sind physikalisch geprägt, die Datenformate speziell, die Datenmengen groß und die IP hochsensibel. Generische Agenten stoßen hier schnell an Grenzen. Sie kennen die Bedeutung vieler EDA-Workflows nicht, konfigurieren Werkzeuge nicht zuverlässig und können bei langen Toolketten den Kontext verlieren oder falsche Schlüsse ziehen.

Gupta nennt im Interview fünf Hürden, die Siemens bei der Entwicklung von Fuse EDA AI Agent adressieren musste:

• Erstens beruht Chipdesign auf physikalischen Methoden und Erfahrungswissen, was in öffentlichen Trainingsdaten kaum abgebildet sind. Ein generischer KI-Agent weiß deshalb nicht automatisch, wie ein EDA-Werkzeug konfiguriert oder ein Workflow sinnvoll sequenziert werden muss.

• Zweitens laufen EDA-Workloads häufig auf sicheren lokalen Clustern mit älteren Schedulern und riesigen Datensätzen, nicht in generischen Cloud-Frameworks. Ein Agent muss sich also in bestehende HPC- und Unternehmensinfrastrukturen einfügen, statt von einer idealisierten KI-Cloud-Umgebung auszugehen.

• Drittens kann die Größe moderner Werkzeugketten Standardmodelle überfordern. Je mehr Tools, Parameter, Zwischenergebnisse und Abhängigkeiten ein Modell gleichzeitig berücksichtigen muss, desto größer wird das Risiko, dass der Kontext nicht mehr sauber verarbeitet wird oder falsche Schlüsse entstehen.

• Viertens liegen viele EDA-Daten in komplexen, teils binären Formaten wie Wellenformen, Netzlisten, LEF/DEF oder GDSII vor. Damit KI daraus verwertbare Informationen ziehen kann, braucht sie spezialisierte Parser und eine saubere Datenaufbereitung.

• Fünftens erfordert sensible IP robuste Sicherheitsmechanismen. Rollenbasierte Zugriffe, abgeschottete Ausführungsumgebungen, Audit-Trails und Freigabepunkte durch Menschen sind deshalb nicht Beiwerk, sondern Voraussetzung für produktive agentische KI in der EDA.

Siemens positioniert Fuse deshalb nicht als allgemeinen KI-Assistenten, sondern als domänenspezifische Architektur mit EDA-Data-Lake, spezialisierten Parsern, RAG-Framework, rollenbasierten Zugriffen, Audit-Trails und Human-in-the-Loop-Kontrollpunkten. Gerade der Sicherheitsaspekt ist für die Zielgruppe wichtig. Chipdesigns und PCB-Systeme enthalten hochsensible IP. Ein agentisches System, das eigenständig Werkzeuge aufruft und Daten verarbeitet, muss deshalb nicht nur leistungsfähig sein, sondern auch kontrollierbar bleiben.

Vom Werkzeugaufruf zur Workflow-Orchestrierung

Technisch setzt der Fuse EDA AI Agent auf eine modulare Architektur. Dafür zerlegt Siemens EDA-Prozesse in einzelne Teilabläufe, die als ausführbare Arbeitsanweisungen hinterlegt werden. Diese „Agent Skills“ beschreiben, welche Schritte der Agent in welcher Reihenfolge ausführen soll und welches Fachwissen dafür nötig ist. Über das Model Context Protocol sollen Werkzeuge dynamisch erkannt und aufgerufen werden. Ein Supervisor-Agent kann Aufgaben planen und an spezialisierte Worker-Agenten verteilen. Ziel ist nicht, den gesamten Designprozess in einem Schritt zu automatisieren, sondern zunächst klar definierte Teilabläufe zuverlässig abzubilden und diese später zu größeren Workflows zusammenzusetzen.

Gupta vergleicht diesen Ansatz mit Legosteinen: Sobald genügend solcher Bausteine in Form automatisierter Teilabläufe vorliegen, lassen sie sich zu umfassenderen Multi-Tool-Workflows über den gesamten Lebenszyklus hinweg kombinieren. Das ist ein wichtiger Unterschied zur Marketing-Erzählung vom vollständig autonomen Chipdesign. In der aktuellen Ausprägung bleibt die menschliche Kontrolle entscheidend. Ingenieure formulieren Absichten, überwachen Ergebnisse, greifen bei wichtigen Entscheidungen ein und behalten die Verantwortung für technische Abwägungen.

Im Alltag könnte das bedeuten, dass Entwickler nicht mehr jeden Zwischenschritt manuell anstoßen, konfigurieren und prüfen müssen. Stattdessen beschreiben sie ein Ziel, etwa eine Analyse oder Optimierung, und das System übernimmt auf Basis dieser Vorgabe die Tool-Auswahl, Ablaufplanung, Ausführung, Validierung und gegebenenfalls Fehlerbehebung innerhalb definierter Grenzen. „Was wir Ingenieuren zurückgeben, ist Zeit und die Möglichkeit, ihre Arbeit auf Innovation zu konzentrieren“, sagt Gupta. Die operative Last aus Tool-Erkennung, Ablaufplanung, Validierung und Fehlerbehebung solle sinken.

Die Rolle der Ingenieure würde sich damit verschieben. Gupta beschreibt als längerfristige Vision, dass Ingenieure von der Aufgabenausführung zur strategischen Überwachung übergehen und parallele Agenten beaufsichtigen, die gleichzeitig Leistung, Energieverbrauch und Fläche optimieren. Für Unternehmen stellt sich damit nicht nur eine technische, sondern auch eine organisatorische Frage. Wer entscheidet, welche Aufgaben Agenten eigenständig übernehmen dürfen? An welchen Stellen bleiben Freigaben erforderlich und wie werden Ergebnisse nachvollziehbar dokumentiert?

Dazu verschiebt sich ein Teil der Vorarbeit allerdings zu den Anwenderunternehmen selbst. Agentische Systeme profitieren von klar beschriebenen Workflows, konsistenten Datenstrukturen und definierten Freigabepunkten. Wo Prozesse stark informell, skriptbasiert oder nur in den Köpfen einzelner Experten dokumentiert sind, dürfte die Einführung entsprechend aufwendiger werden.

Nvidia als Infrastrukturpartner

Der Fuse EDA AI Agent unterstützt Nvidia-GPUs, Nemotron-Modelle und KI-Infrastruktur aus dem Nvidia-Ökosystem. Die Nemotron-Modelle sollen insbesondere bei Reasoning und Tool-Calling zuverlässig arbeiten und zugleich den Durchsatz erhöhen. Das ist für industrielle EDA-Anwendungen wichtig, weil ein Agent nicht nur einmal antwortet, sondern viele Zwischenschritte plant, Werkzeuge aufruft und Ergebnisse bewertet. Dadurch steigen die Anforderungen an Zuverlässigkeit, Rechenleistung und Token-Kosten.

Oder anschaulicher dargestellt: Bei einem einfachen Chat stellt man eine Frage und bekommt eine Antwort. Bei einem EDA-Agenten passiert viel mehr, denn der Agent muss planen, Zwischenschritte formulieren, Werkzeuge aufrufen, Ergebnisse zurücklesen, bewerten, gegebenenfalls Fehler korrigieren und den nächsten Schritt auslösen. Jeder dieser Schritte kann Modellaufrufe und damit Token-Verbrauch erzeugen.

Gupta bezeichnet die Zusammenarbeit mit Nvidia als bedeutend. Der Agent unterstützt Nvidia-GPUs, Nemotron-Modelle und NIM-Infrastruktur, um komplexe Workflows zuverlässiger auszuführen. Nemotron-Modelle böten „eine hohe Präzision und einen erhöhten Durchsatz für agentische EDA-Tool-Aufrufe“. Siemens und Nvidia stellen die Partnerschaft als Schritt hin zu langlebigen, autonomen Agenten dar, die komplexe Engineering-Tools sicher bedienen und Aufgaben über längere Workflows hinweg koordinieren können.

Laut Siemens nutzt Nvidia die Fuse-EDA-Lösung auch in der eigenen Chipentwicklung. Für Siemens ist das ein wichtiger Referenzpunkt; für Anwender bleibt dennoch entscheidend, wie gut sich solche Systeme in bestehende, heterogene EDA-Landschaften integrieren lassen. Gerade in Umgebungen mit mehreren EDA-Anbietern, gewachsenen Skriptlandschaften und strengen IP-Vorgaben dürfte die Einführung agentischer Workflows weniger ein Plug-and-play-Thema als ein schrittweiser Integrationsprozess sein.

Was für Anwender relevant wird

Für Halbleiter- und PCB-Entwicklungsteams ist deshalb weniger die einzelne Produktfunktion interessant als die Frage, wie weit sich gewachsene EDA-Prozesse überhaupt automatisieren lassen. Agentische KI kann Routineabläufe, Toolwechsel, Analyseketten und Fehlerbehebungen beschleunigen. Sie macht aber auch sichtbar, wo Prozesse nicht sauber beschrieben sind, wo Daten fehlen oder wo Verantwortlichkeiten bisher eher informell geregelt wurden.

Damit rücken Datenqualität, Toolintegration, Zugriffskontrolle und Governance stärker in den Vordergrund. Hinzu kommt die Frage der Nachvollziehbarkeit: Je mehr Schritte ein Agent selbstständig plant und ausführt, desto wichtiger wird es, Entscheidungen, Werkzeugaufrufe und Zwischenergebnisse lückenlos zu protokollieren. Für produktive EDA-Umgebungen reicht es nicht, dass ein Ergebnis plausibel wirkt. Viel mehr muss nachvollziehbar sein, wie es zustande gekommen ist.

Der praktische Nutzen wird deshalb stark davon abhängen, wie gut Unternehmen ihre bestehenden Workflows strukturieren, welche Datenquellen zugänglich gemacht werden können und wie präzise sich Verantwortlichkeiten zwischen Mensch und Agent definieren lassen. Für kleinere, klar umrissene Aufgaben dürfte agentische KI schneller greifbaren Nutzen liefern. Anspruchsvoller wird die Vision, wenn KI-Agenten nicht nur einzelne Arbeitsschritte automatisieren, sondern mehrere Entwurfsziele parallel gegeneinander abwägen sollen: Rechenleistung, Energieverbrauch und Chipfläche (PPA). Diese Größen hängen eng zusammen; eine Verbesserung an einer Stelle kann an anderer Stelle neue Probleme erzeugen.

Gupta sieht den Übergang dennoch bereits im Gang: „Der Übergang von Copiloten zu autonomen Agenten ist keine ferne Perspektive. Er ist bereits im Gange.“ Der Fuse EDA AI Agent ist damit weniger als isolierte Produktneuheit zu lesen, sondern als Signal für einen breiteren Wandel. KI wird in der EDA nicht mehr nur als Assistenzfunktion innerhalb einzelner Werkzeuge gedacht. Sie soll zunehmend Workflows verbinden, Entscheidungen vorbereiten und technische Abläufe eigenständig koordinieren.

Für Ingenieure verschiebt sich damit die Frage von „Welche Aufgabe kann KI mir abnehmen?“ zu „Welche Teile meines Entwicklungsprozesses kann ich einem kontrollierten Agentensystem anvertrauen?“ Ob agentische KI in der EDA schnell vom Demonstrator zum produktiven Werkzeug wird, dürfte genau an dieser Stelle entschieden werden: bei der Balance aus Automatisierung, Kontrolle und Vertrauen. (sb)

(ID:50869986)