Siemens erweitert agentische KI für 3D-IC-Design-Workflows

Wichtige Erkenntnisse

• Siemens und NVIDIA haben agentische KI mit beschleunigtem Rechnen kombiniert, um das elektro-thermische Design von 3D-ICs zu optimieren.
• Der neue Workflow reduziert den Engineering-Aufwand um bis zu 95 %, verkürzt die Workflow-Einrichtungszeit um bis zu 99 % und erweitert die Abdeckung des Design-Raums ≈ 50× gegenüber herkömmlichen manuellen Methoden.
• NVIDIAs Rubin-GPU liefert 50 PFLOPS FP16-Inference und bis zu 288 GB HBM4-Speicher, was eine hochdichte thermische Herausforderung schafft, die früh im Designzyklus adressiert werden muss.
• Der KI-gesteuerte Prozess orchestriert neun Schritte über sieben Siemens-Tools, führt 50-100 Reasoning-Zyklen in einem 8-10-Minuten-Durchlauf aus.

Siemens-NVIDIA Agentic AI beschleunigt 3D-IC-Design

Siemens hat ein umfangreiches Upgrade seines Electronic Design Automation (EDA)-Portfolios angekündigt, das in Partnerschaft mit NVIDIA entwickelt wurde. Die Erweiterung legt die bei DAC 2026 vorgestellten agentischen KI-Konzepte auf NVIDIAs GPU-beschleunigte Hardware und liefert eine End-to-End-Lösung für elektrische, Leistungs-, thermische und Co-Design-Analysen von dreidimensionalen integrierten Schaltungen.

Einheitlicher elektro-thermischer Workflow

Mit Siemens’ Design Space Exploration and Optimization (DSE/DSO)-Framework verknüpft der neue Workflow automatisch die elektro-thermischen Solver des Unternehmens zu einem einzigen, physikbasierten Sign-off-Loop. Benchmark-Daten von Siemens zeigen:

Die Tabelle verdeutlicht, wie der KI-Agent repetitive Datenübertragungen und manuelle Buchführung eliminiert, sodass Ingenieure sich auf hochrangige Ziele konzentrieren können.

Verpackungsdruck für KI-aktivierte Systeme

KI-Beschleuniger erfordern massive Rechendichte, was zu erhöhten thermischen Lasten führt. NVIDIAs Rubin GPU—der Kern des Vera Rubin NVL72-Systems—bietet:

• 50 PFLOPS FP16-Inference-Leistung (NVFP4).
• 288 GB HBM4-Speicherbandbreite pro GPU.

Bei gestapelten Rubins kann die Leistungsdichte 1 kW/cm² überschreiten, wodurch die Wärmeabfuhr zu einer primären Design-Beschränkung wird. Daher muss das elektro-thermische Co-Design früh eingebettet werden, anstatt bis zur finalen Verifikation verschoben zu werden.

Warum manuelle Koordination scheitert

Traditionelle 3D-IC-Flows benötigen Spezialisten in separaten Bereichen (elektrisch, Leistung, thermisch, Extraction), die Daten zwischen neun oder mehr Tools hin-und her schieben. Mit steigender Chip-Komplexität reduzieren Teams häufig die Anzahl erkundeter Szenarien, um Zeit- und Rechenlimits zu erfüllen, wodurch die Erkennung von Leistungs- oder Hot-Spot-Problemen bis in die späte Tape-out-Phase verzögert wird.

Wie der agentische Workflow funktioniert

1. Zieldefinition – Der Designer gibt Leistungs-, Energie- und Thermik-Ziele in den Fuse EDA AI Agent (gehostet im Intelligence Center X) ein.
2. Tool-Orchestrierung – Der Agent startet sieben Siemens-EDA-Module und führt gekoppelte elektro-thermische Simulationen aus.
3. Ursachenanalyse – Wird ein Ziel verfehlt, identifiziert die KI, ob die Ursache im Power-Delivery-Network, in der Bauteilplatzierung, Materialauswahl oder einer Kombination liegt.
4. Design-Raum-Steuerung – Auf Basis der Analyseergebnisse erkundet der Agent iterativ alternative Layouts, Material-Stacks und Kühlstrategien und führt die Physik-Solver automatisch erneut aus.
5. Ergebnis-Synthese – Nach 50-100 Reasoning-Schleifen präsentiert das System eine rangierte Liste von Konfigurationen, die die ursprünglichen Ziele erfüllen und häufig Lösungen aufzeigen, die bei einem manuellen Scan übersehen würden.

Der gesamte Loop wird in 8-10 Minuten abgeschlossen und liefert eine Bandbreite an Design-Alternativen, die sonst Tage an Ingenieurzeit erfordern würden.

Fazit

Durch die Kombination von agentischer KI mit NVIDIAs Hochleistungs-GPUs bietet Siemens einen dramatisch schnelleren, gründlicheren 3D-IC-Design-Flow. Ingenieure können nun Dutzende von elektro-thermischen Szenarien in Minuten bewerten, den Aufwand um bis zu 95 % reduzieren und Leistungs-Thermik-Risiken viel früher erkennen als mit herkömmlichen Methoden. Für Chip-Hersteller, die KI-Beschleuniger in kompakte Pakete integrieren wollen, stellt diese Fähigkeit einen entscheidenden Produktivitäts- und Risikominderungs-Vorteil dar.