Advertorial: Siemens EDA
Agentische KI schließt Produktivitätslücke bei RTL-Verifikation
Agentische KI verlagert den Schwerpunkt der RTL-Verifikation von der Tool-Automatisierung hin zur Workflow-Intelligenz. Dadurch wird der Koordinationsaufwand reduziert, während die Ingenieure gleichzeitig die Kontrolle behalten.
Jahrzehntelang wurden Fortschritte in der elektronischen Entwurfsautomatisierung (EDA) durch immer leistungsfähigere Engines erzielt. Um mit dem Wachstum der Entwürfe Schritt zu halten, setzten Verifikationsteams auf leistungsstärkere Simulatoren, skalierbare formale Werkzeuge und Solver mit höherer Kapazität.
Dieser Ansatz stößt nun an seine Grenzen.
In der modernen System-on-Chip-Entwicklung ist der eigentliche Engpass nicht mehr die reine Tool-Leistung. Es ist die Koordination. Die Verifikation ist zu einem kontinuierlichen, adaptiven Prozess geworden. Ingenieure müssen Ergebnisse interpretieren, Absichten verfeinern und Strategien über mehrere Tools und Iterationen hinweg anpassen. Die Produktivität wird zunehmend durch die Komplexität des Workflows eingeschränkt, nicht durch die Rechenkapazität.
Von der Automatisierung zur Workflow-Intelligenz
Herkömmliche Automatisierung setzt stabile Eingaben und vorhersehbare Abläufe voraus. Bei der RTL-Verifikation funktioniert das anders. Designs entwickeln sich weiter, Spezifikationen ändern sich, und Zwischenergebnisse decken oft neue Risiken auf.
Hier gewinnt agentische KI zunehmend an Bedeutung.
Anstatt einzelne Schritte isoliert zu optimieren, arbeiten agentische Systeme über Workflows hinweg. Agenten beobachten den Verifikationsstatus, planen begrenzte Aktionen, führen Aufgaben aus und fassen Ergebnisse zusammen.
Integration ist entscheidend. KI, die außerhalb der Toolkette angesiedelt ist und Protokolle analysiert oder Skripte generiert, kann den Überprüfungsaufwand erhöhen und das Vertrauen mindern. Im Gegensatz dazu ermöglichen eng integrierte Ansätze die Bewertung von KI-generierten Aktionen unter Verwendung derselben Abdeckungsmodelle, Semantik und Prüfungen, die für die Freigabe erforderlich sind.
Menschen in den Prozess einbeziehen
Trotz rascher Fortschritte in der KI ist eine vollständige Autonomie bei der RTL-Verifikation nicht realistisch. Sie ist auch nicht wünschenswert.
Das Ziel besteht nicht darin, Ingenieure zu ersetzen, sondern den manuellen Koordinationsaufwand zu reduzieren, damit sie sich auf die Entscheidungsfindung und die Risikominimierung konzentrieren können.
Verifikationsentscheidungen hängen oft von unvollständigen Spezifikationen, impliziten Annahmen und Kompromissen ab, die menschliche Erfahrung erfordern. Die Entscheidung, wann Ergebnisse „gut genug“ sind, ist selten eindeutig.
Deshalb sind effektive agentische Systeme so konzipiert, dass der Mensch im Mittelpunkt steht. Agenten unterstützen durch das Vorschlagen von Maßnahmen, das Ausführen von Aufgaben und das Aufzeigen von Erkenntnissen. Die Kontrolle über alle Entscheidungen, die Absicht, Umfang und Abschluss betreffen, behalten die Ingenieure.
In der Praxis bedeutet dies, dass im Arbeitsablauf explizite Genehmigungsschritte festgelegt werden. KI beschleunigt die Ausführung und Analyse, die Entscheidungsgewalt liegt jedoch weiterhin beim Ingenieur.
Eine Grundlage für vertrauenswürdige Workflows
Die Umsetzung dieses Modells erfordert mehr als nur die Erweiterung bestehender Tools um KI-Funktionen. Sie hängt von einer Architektur ab, die Verifikations-Engines auf strukturierte und semantisch aussagekräftige Weise bereitstellt.
Dank der nativen Schnittstellen der Engine können Agenten Tools aufrufen, Ergebnisse abrufen und Systemzustände direkt beobachten. Anstatt sich auf unstrukturierte Eingaben zu verlassen, bieten diese Schnittstellen kontrollierte Einstiegspunkte, wie das Ausführen von Simulationen, das Abfragen der Abdeckung und das Analysieren von Fehlern.
Ebenso wichtig ist der Kontext. Durch die Aufrechterhaltung von Beziehungen zwischen Designs, Testbenches, Assertions und historischen Ergebnissen können agentenbasierte Systeme über Iterationen hinweg Schlussfolgerungen ziehen. Diese Kontinuität ist in komplexen Verifikationsumgebungen entscheidend, in denen jeder Schritt auf vorherigen Ergebnissen aufbaut.
Wo sich agentische KI heute bewährt
Frühe Implementierungen agentischer KI verbessern bereits die Produktivität in verschiedenen RTL-Workflows:
RTL-Entwicklung: KI-gestützte Codegenerierung kann die Designabsicht mit den Verifikationsanforderungen in Einklang bringen und Probleme früher erkennen.
Lint und statische Analyse: Intelligentere Konfiguration und kontextbezogene Filterung helfen, Störsignale zu reduzieren und die Aufmerksamkeit auf echte Probleme zu lenken.
Clock-Domain-Crossing: Iterative Analyse und Verfeinerung beschleunigen die Konvergenz bei robusten asynchronen Designs.
Verifikationsplanung: Agenten können sich weiterentwickelnde Spezifikationen in strukturierte Pläne übersetzen, die sich an Designänderungen anpassen.
Debugging: Die Korrelation von Wellenformen, Assertions und Protokollen über verschiedene Durchläufe hinweg deckt mögliche Ursachen schneller auf.
In all diesen Anwendungsfällen zeichnet sich ein einheitliches Muster ab: begrenzte Automatisierung, starker Kontext und menschliche Aufsicht. Das Ergebnis sind messbare Produktivitätssteigerungen, ohne dass die Genauigkeit beeinträchtigt wird.
Risikomanagement und Vertrauenssicherung
Wie jede Automatisierung bringt auch agentische KI neue Risiken mit sich. Schlecht definierte Systeme könnten Fehler verbreiten oder Absichten verschleiern.
Die Lösung besteht nicht darin, die Fähigkeiten einzuschränken, sondern Strukturen durchzusetzen.
Begrenzte Handlungsmöglichkeiten schränken ein, was die Agenten tun können. Eine durch die Engine qualifizierte Validierung stellt sicher, dass die Ergebnisse den Produktionsstandards entsprechen. Strukturierte Schnittstellen reduzieren Mehrdeutigkeiten. Eine obligatorische Überprüfung durch Menschen gewährleistet die Verantwortlichkeit an entscheidenden Entscheidungspunkten.
Dies entspricht den Gegebenheiten der Verifizierung, bei der die Verantwortung letztlich bei den Entwicklungsteams liegt. In diesem Modell ergänzt KI das Fachwissen, anstatt es zu ersetzen.
Ausblick
Agentische KI im Bereich EDA befindet sich zwar noch in der Entwicklung, doch die Richtung ist klar. Derzeit liegt der Schwerpunkt darauf, Reibungsverluste bei Planung, Ausführung und Analyse zu verringern, ohne dass die Kontrolle der Ingenieure eingeschränkt wird.
Langfristig könnte sich eine umfassendere Koordination herausbilden, jedoch nur bei ausreichender Transparenz und solider Validierung.
Da die Komplexität des Designs weiter zunimmt, werden die größten Vorteile nicht nur durch die Geschwindigkeit der Tools erzielt, sondern vor allem durch die Verbesserung der Arbeitsabläufe. Agentische KI steht für einen Wandel hin zu intelligenten Arbeitsabläufen und hilft Teams, schneller voranzukommen, ohne dabei die für die Freigabe erforderliche Sorgfalt zu vernachlässigen
Für Verifikationsteams, die mit zunehmendem Iterationsaufwand konfrontiert sind, kann dieser Wandel nicht früh genug kommen.
Einen tieferen Einblick in agentische KI gibt der Artikel Human-centered agentic AI workflows for RTL verification.
Keywörter: Agentische KI, RTL-Verifikation, EDA-Workflows, SoC-Design, Verifikationsautomatisierung, KI in der EDA
Harry Foster, Siemens EDA
Harry Foster ist Chief Scientist Verification bei Siemens Digital Industries Software sowie Mitbegründer und Chefredakteur der Verification Academy. Harry war 2021 Vorsitzender der Design Automation Conference und fungiert derzeit als ehemaliger Vorsitzender. Er hält mehrere Patente im Bereich Verifikation und ist Mitautor von sechs Büchern zu diesem Thema. Harry wurde für seine Beiträge zur Entwicklung von Industriestandards mit dem Accellera Technical Excellence Award ausgezeichnet und war der ursprüngliche Schöpfer des Accellera Open Verification Library (OVL)-Standards. Darüber hinaus ist Harry Preisträger des ACM Distinguished Service Award 2022 und des IEEE CEDA Outstanding Service Award 2022.