Synopsys und OpenAI haben eine mehrjährige Zusammenarbeit angekündigt. Gemeinsam entwickeln sie eigenen Angaben zufolge GPT-Synopsys, ein spezialisiertes KI-Modell für den Halbleiterentwurf. Es soll Designwerkzeuge bedienen, Ergebnisse auswerten und Entwürfe schrittweise verbessern. Für die Industrie ist vor allem interessant, welchen Aufwand solche Systeme tatsächlich aus der Entwicklung herauslösen.
Vom Entwicklungsziel zur Werkzeugbedienung
Das geplante Verfahren beginnt bei den Vorgaben der Ingenieure. Dazu gehören etwa geringere Leistungsaufnahme, höhere Geschwindigkeit oder wenige Chipfläche. KI-Agenten sollen passende Synopsys-Werkzeuge ausführen, Resultate interpretieren und Änderungen erproben. Die Ergebnisse gehen anschließend zur Prüfung an die Entwickler. Als Einsatzfelder nennt die Ankündigung auch Timing und Verifikation. Erste Technologieprojekte mit Halbleiterkunden sollen bereits laufen.
Vorgesehen sei ein Dienst auf OpenAI-Infrastruktur, der Rechenleistung, Modell und Lizenzen bündelt. Kundendaten sollen laut Ankündigung nicht in das Modelltraining einfließen. Einen allgemeinen Marktstart, Preise und belastbare Leistungskennzahlen nennt die Mitteilung nicht.
Warum die Optimierung so viel Arbeit verursacht
Im Chipdesign konkurrieren mehrere Anforderungen. Die Abkürzung PPA steht für Power, Performance und Area, also Leistungsaufnahme, Leistungsfähigkeit und Chipfläche. Eine gute Lösung muss diese Größen gemeinsam berücksichtigen. Das jeweilige Produkt entscheidet über ihre Gewichtung. So stellt ein batteriebetriebener Sensor andere Anforderungen als ein Beschleuniger für rechenintensive Aufgaben.
Bereits die zeitliche Abstimmung der Signale verlangt zahlreiche Korrekturschritte. Beim sogenannten Timing Closure prüfen Entwickler, ob ein Entwurf seine zeitlichen Vorgaben erfüllt. Signalwege, die Platzierung von Schaltungsblöcken und elektrische Eigenschaften können das Ergebnis erheblich beeinflussen. Auch Schwankungen der Versorgungsspannung und Unterschiede im Fertigungsprozess spielen eine Rolle.
Eine Änderung behebt deshalb nicht zwangsläufig nur ein einzelnes Problem. Sie kann an anderer Stelle neue Schwierigkeiten auslösen. Das US-amerikanische Softwareunternehmen Cadence beispielsweise beschreibt die daraus entstehenden wiederholten Änderungs- und Analysezyklen als zentrale Herausforderung moderner Entwürfe. Genau in solchen Rückkopplungsschleifen liegt aus technischer Sicht ein plausibler Ansatzpunkt für KI-Unterstützung: Ihr Nutzen hängt davon ab, wie zuverlässig sie aus einem Analyseergebnis den nächsten sinnvollen Arbeitsschritt ableitet.
KI im Chipdesign hat bereits eine Vorgeschichte
Die Optimierung durch künstliche Intelligenz begann bei Synopsys lange vor der aktuellen Kooperation. Das Unternehmen führte DSO.ai bereits 2020 ein. Die Software nutzt Reinforcement Learning, zu Deutsch etwa verstärkendes stärkendes Lernen, bei der Suche nach geeigneten Entwurfsvarianten. Dabei berücksichtigt sie ebenfalls Leistungsaufnahme, Leistungsfähigkeit und Fläche.
Der technische Hintergrund ist ein großer Suchraum: Für einen Entwurf existieren zahlreiche Kombinationen von Einstellungen und Abläufen. Nicht jede Kombination verdient denselben Rechenaufwand. Ein lernendes Optimierungssystem soll aussichtsreiche Varianten erkennen und die weitere Suche entsprechend eingrenzen.
Diese Vorgeschichte ist für die Bewertung von GPT-Synopsys entscheidend. Ein fairer Vergleich muss auch bereits verfügbare KI-gestützte Verfahren einbeziehen. Der Vergleich mit ausschließlich manueller Arbeit greift daher zu kurz. Für Entwicklungsteams zählt der zusätzliche Nutzen gegenüber ihrem heutigen Werkzeugbestand. Interessant sind dabei sowohl bessere Schaltungseigenschaften als auch weniger Eingriffe durch erfahrene Spezialisten.
Die technische Prüfung bleibt der Maßstab
Ein überzeugender Vorschlag allein belegt noch keine brauchbare Schaltung. Für die Freigabe eines Designs benötigen Entwickler belastbare Analysen. Das bestehende Signoff-Portfolio von Synopsys umfasst unter anderem die statische Timing-Analyse, Untersuchungen zur Signalintegrität sowie Prüfungen von Leistungsaufnahme und Stromversorgung. Hinzu kommen die Erfassung parasitärer elektrischer Effekte und Analysen thermischer beziehungsweise elektromagnetischer Zusammenhänge.
Diese Prüfungen erklären, weshalb die Qualität eines KI-Systems im Chipdesign nicht allein an seiner sprachlichen Antwort erkennbar ist. Entscheidend bleibt das Verhalten des resultierenden Entwurfs unter den vorgegebenen Bedingungen. Eine vermeintliche Verbesserung verliert ihren Wert, sobald sie andere Anforderungen verletzt.
Für die Praxis ergibt sich daraus ein klarer Bewertungsmaßstab: Wie viele vorgeschlagene Änderungen bestehen die anschließende Prüfung? Wie viel Nacharbeit verursachen Fehlversuche? Und sinkt der gesamte Aufwand einschließlich Rechenzeit, Kontrolle und Korrekturen? Erst solche Angaben erlauben eine wirtschaftliche Einordnung.
Welche Bedeutung das für industrielle Anwendungen haben kann
Aus industrieller Sicht liegt das mögliche Potenzial auch jenseits großer KI-Prozessoren. Als denkbare Nutznießer kommen beispielsweise kundenspezifische Bausteine für Bildverarbeitung, Kommunikation oder dezentrale Datenanalyse infrage. Das ist allerdings eine Einschätzung der Anwendungsmöglichkeiten, keine bestätigte Kundenliste für GPT-Synopsys.
Falls die Entwicklungsarbeit tatsächlich effizienter abläuft, könnten Teams innerhalb eines festen Budgets mehr Varianten untersuchen. Zusätzliche Versuche wären etwa für unterschiedliche Leistungsgrenzen oder Funktionsumfänge interessant. Daraus folgt allerdings nicht automatisch ein preiswerterer fertiger Chip. Fertigung, Gehäuse, Tests und Stückzahlen bleiben eigenständige wirtschaftliche Faktoren.
Vor einer Einführung stehen somit konkrete Vergleichsprojekte an. Sinnvoll erscheint ein abgegrenzter Entwurfsblock mit bekannten Anforderungen und einer dokumentierten Ausgangslösung. Daran lässt sich prüfen, ob das System Zeit spart, bessere Ergebnisse liefert oder lediglich Aufwand zwischen Menschen und Recheninfrastruktur verschiebt. GPT-Synopsys beschreibt zwar einen technisch nachvollziehbaren Entwicklungsansatz – seinen industriellen Wert allerdings müssen reproduzierbare Projektergebnisse belegen.