Siemens EDA и NVIDIA представили «Самопроверяющийся ИИ»: как физические симуляторы спасают генеративные модели от ошибок за $200 млн
В конце июля 2026 года на конференции DAC 2026 гиганты Siemens EDA и NVIDIA представили совместную разработку: автономную систему для проектирования микросхем на базе софта Siemens Fuse и платформы NVIDIA NeMo.
Проблема 2-нм техпроцесса и цена ошибки в $200 млн
Создавать современные процессоры по технологиям 2 нм становится всё сложнее. Размеры элементов уменьшились настолько, что старые программы для проверки схем просто «зависают» — им не хватает мощности даже мощных серверов.
Поручить работу обычному искусственному интеллекту тоже опасно. Если нейросеть придумывает (галлюцинирует) несуществующую деталь в тексте — это смешно. Но если ИИ ошибется в чертежах реального процессора и их отправят на завод TSMC:
- Компания потеряет $100–200 млн только на производстве бракованной партии.
- Выход нового устройства задержится на 6–9 месяцев, что может обанкротить проект.
Чтобы решить эту проблему, Siemens и NVIDIA создали связку из умных нейросетей (NeMo, Nemotron) и сверхточных физических симуляторов (Calibre, Solido).
Почему старый софт больше не справляется
В современных чипах упаковано больше 100 миллиардов транзисторов. При размерах в 2 нанометра внутри микросхемы начинают действовать жесткие законы физики:
- Утечки тока: электричество буквально «просачивается» через тончайшие стенки деталей.
- Перегрев: отдельные участки чипа греются неравномерно, из-за чего меняется скорость работы всего процессора.
- Помехи: проводники расположены настолько близко друг к другу, что сигнал в одном проводе создает «шум» в соседнем.
Раньше инженеры проверяли эти риски на обычных процессорах. Но сегодня вариантов ошибок стало так много, что на полную проверку одного чипа ушли бы годы.
Контур самопроверки
Главная идея разработчиков — создать «заключенный контур» (Self-Verification Loop). Нейросети больше не доверяют рисовать чертеж процессора от начала и до конца. За ней постоянно проверяет жесткая классическая программа.
Как работает эта петля:
- AI-агент придумывает, как лучше развести контакты на чипе.
- Чертеж тут же отправляется в симулятор, который проверяет его по реальным законам физики и правилам завода.
- Если симулятор видит перегрев или короткое замыкание, он отправляет нейросети отчет. Нейросеть сама перерисовывает схему.
Этот цикл повторяется автоматически, пока дефекты не упадут до абсолютного нуля.
«Мы соединили скорость нейросетей с точностью физических симуляторов. Инженеры получают быстрый результат, но без риска получить бракованный кремний», — объяснил Амит Гупта из Siemens EDA.
Экономика проекта
Тесты на реальных производствах показали следующие результаты:
- Ускорение в 10 раз: Сложнейшая проверка скоростных характеристик чипа сократилась с нескольких недель до пары дней.
- Экономия на ИИ в 5–10 раз: За счет оптимизации запросов нейросети тратят в разы меньше вычислительной энергии и токенов.
- Проверка за дни вместо месяцев: Мощные серверы NVIDIA прогоняют триллионы виртуальных тестов процессора за считанные дни.
- Команды на обычном языке: Инженеры компаний STMicroelectronics и TSMC теперь могут находить ошибки на схемах, просто задавая вопросы нейросети обычным текстом
Скептицизм экспертов
Не все в IT-отрасли готовы верить заявлениям про «ускорение в 10 раз».
Аналитики из Unite.AI напоминают: в сфере производства чипов до сих пор нет независимого единого теста (бенчмарка). Все цифры ускорения Siemens и NVIDIA получили на собственных закрытых тестах.
В реальной жизни, когда архитектура процессора содержит нестандартные элементы, реальный прирост скорости может оказаться скромнее маркетинговых обещаний.
Как распределены роли в новом софте
За что отвечает Siemens EDA (Физика и проверки):
- Проверка соответствия чертежей правилам завода.
- Точный расчет нагрева, токов и задержек сигнала.
- Аппаратное симулирование работы чипа.
За что отвечает NVIDIA (ИИ и скорость):
- Обучение и запуск умных AI-агентов.
- Ускорение математических расчетов на видеокартах.
- 3D-визуализация процессора в реальном времени.
Считаете ли вы подход Self-Verification Loop (замыкание ИИ-агента на жесткие физические программы) единственным способом внедрения нейросетей в сложную инженерию? Или индустрии всё же нужен независимый бенчмарк для проверки громких обещаний про «ускорение в 10 раз»?