Nvidia tumaya sa sariling CPU na disenyo ng chip para sa acceleration; industriya ng EDA tinatanggap ang AI na turning point

Sinabi ng kumpanya ng Nvidia na ginagamit ng kanilang mga inhinyero ang sariling binuo nilang chip design software para idisenyo ang next-generation graphics processing unit.

Nakikipagtulungan sila sa dalawang pangunahing supplier ng Electronic Design Automation (EDA) software: Cadence Systems Inc. at Synopsys Inc.. Sa ngayon, inoo-optimize ng dalawang kumpanyang ito ang kanilang mga platform upang tumakbo sa Nvidia Vera central processing unit, na ang layunin ay mapabilis ang mga workload sa chip design.

Ayon sa Nvidia, ang Cadence na formal verification platform na Jasper at Synopsys VCS (isang logic simulation tool para sa pre-manufacturing verification ng chip design) ay nagkaroon ng 1.5X na pagtaas ng performance kapag tumakbo sa Vera CPU.

Inanunsyo rin ng Nvidia na kanilang iintegrate ang PhysicsNeMo physical AI library at isang hanay ng mga GPU math library sa Nvidia Agent Toolkit upang palakasin ang papel ng autonomous AI agents sa proseso ng paggawa ng chip. Ayon sa Nvidia sa 2026 Design Automation Conference na ginanap ngayong araw sa Long Beach, California, puwede nang tumawag ang AI agents ng accelerated solvers tulad ng ibang third-party na tools.

Pagpapabilis ng EDA Workloads

Tinututukan ng Nvidia ang pagpapabilis sa EDA workloads at pagtaas ng automation level sa bawat bahagi ng design process upang mapabilis ang chip development. Ipinaliwanag ng kumpanya na ang simulation, verification, at implementation ay pawang kritikal na hakbang sa semiconductor design process.

Tradisyonal, ang mga hakbang na ito ay manu-mano at makonsumo ng oras para sa mga engineer. Gumugugol sila ng ilang taon sa pagbeberipika ng performance ng devices, pagtukoy ng mga isyu, at pag-improve ng disenyo sa libo-libong iterations bago tumuklas ng angkop na final version ng bagong henerasyon ng semiconductor—isang karaniwang pangyayari.

Matagal nang pinagbubuti ng Nvidia ang prosesong ito. Kahit may tulong ang GPUs at AI sa ilang bahagi, maraming aspeto ng EDA ang nananatiling mataas ang pagdepende sa CPU performance. Halimbawa, ang logic simulation, formal verification, at ilang bahagi ng digital implementation ay nangangailangan ng mabilis na single core, efficient na memory system, at mabilis na overall throughput. Ang mga aspeto na ito ay karaniwang naibibigay ng CPU architecture, kaya't malaki pa rin ang role ng CPU sa verification ng new chip designs at pagsubok ng alternatibo.

Sa pamamagitan ng pag-optimize ng Vera CPU para sa EDA workloads, sinabi ng Nvidia na napatunayan nilang mapapabilis ang dalawang computationally-intensive na bahagi ng early-stage chip design lifecycle. Ang Cadence Jasper ay isang verification platform na gumagamit ng intelligent verification techniques at machine learning algorithms upang tukuyin at ayusin ang errors; samantala ang Synopsys VCS ay ginagamit para i-simulate at i-verify ang mahihirap na chip designs bago ito gawin. Sa mga unang pagsubok ng Nvidia, nakamit nila ang 1.5X performance boost sa dalawang application na ito.

Plano ng kumpanya na makipagtulungan pa sa Cadence at Synopsys upang i-optimize pa ang iba pang EDA workflows sa Vera platform. Sa huli, ninanais nilang mapabilis ang disenyo ng kanilang susunod na produkto (code name Rosa CPU) na gagamit ng next-generation Nvidia Rigel core.

Automation sa Chip Design

Binubuo ng Nvidia ang isang p tuloy-tuloy na feedback loop kung saan ang kasalukuyang Vera CPU ay nagpapabilis ng development ng future generations. Sa pagdagdag ng PhysicsNeMo at mga CUDA-X library sa Nvidia Agent Toolkit, pinapalakas din ng Nvidia ang partisipasyon ng kanilang agents sa chip design process.

Ang paggawa ng mas advanced na chips ay nangangailangan ng integration ng physics, simulation at performance analysis mula sa mga engineer sa mas komplikadong design cycles. Sa update ngayon, ang PhysicsNeMo at CUDA-X ay naging tools na magagamit ng agents. Nagbibigay ang PhysicsNeMo ng mga physical skills para mapagsanay at ma-deploy ang AI models, habang ang CUDA-X ay nagdadala ng accelerated solvers at quantum chemistry functionalities sa agent engineering workflows.

Dagdag pa dito, inanunsyo ng Nvidia na ia-update nila ang CUDA-X library upang unang beses nitong masuportahan ang "iterative sparse solvers" sa kanilang sariling GPUs. Kabilang sa bagong library na inilabas ngayon ay: - cuISS: para sa iterative solvers - cuDSS: direct sparse solver para sa circuit at device simulation - cuEST: quantum chemistry simulation para sa prediction ng behavior ng material sa atomic scale

Ayon sa Nvidia, ang kanilang partners ay nagpakita ng magagandang resulta: - Keysight Technologies Inc. nagkaroon ng hanggang 10X speedup sa electromagnetic simulation gamit ang bagong cuDSS library; - Silvaco Group Inc. natapos ang photonic edge coupler simulation na may 3.2 bilyong mesh nodes sa hindi umabot ng 4 na oras sa isang cluster na may 32 GPU.

Ikinuwento rin ng kumpanya na Cadence’s AuraStack AI super agent ay tumatakbo na ngayon sa cuDSS sa kanilang Millenium M2000 supercomputer. Ayon sa Cadence, ang design verification workflow ay tumaas ng 15X—isang significanteng improvement, lalo't ang workload sa validation ng chip design industry ay umaabot sa daan-daang bilyong computing hours taon-taon.

Libre ang lahat ng software na ito para sa mga chip designers. PhysicsNeMo ay gumagamit ng Apache 2.0 license, samantalang ang bagong CUDA-X libraries ay libre rin bilang direktang kapalit ng manual code na kailangang gawin ng mga engineer. Dapat tandaan na ang PhysicsNeMo at CUDA-X ay eksklusibong tumatakbo lamang sa Nvidia chips.

"Ang engineering ay nasa isang tipping point na ngayon. Kayang mag-collaborate ng artificial intelligence sa physics, simulation at design tools. Sa tulong ng Nvidia Agent Toolkit, makakabuo na ang mga developer ng agent engineers na kayang mag-reason gamit ang physics, magpatakbo ng simulation, at mag-generate ng high-fidelity data—nagsisilbing bagong makina ng innovation sa chip at system design." — Pangalawang Pangulo at General Manager ng Nvidia Computational Engineering