用 NeMo Gym 优化芯片设计 agent 可靠性
来自 NVIDIA Developer · 期号 2026-10-15
摘要
芯片设计自动化中，agent 的可靠性是生产落地的最大障碍——一个早期错误会无声地传播到最终产物。 Siemens EDA 用 NVIDIA NeMo Gym 来评估和优化其 Solido Characterization Suite agent。核心思路是：不只看中间工具调用是否成功，而是对最终生成的 Liberty 文件做领域专用验证——检查覆盖率、合法性、精度和完整性，任何一项不通过就给零分。 基于验证结果，团队反复修改 agent 的技能描述和 MCP 工具接口。经过约 25 轮迭代，基准测试的综合得分从约 55% 升至 95%，agent 的交互轮次从 155 次降至 53 次（减少 66%），输出 token 从约 81K 降至 29K（减少 64%）。 同样的方法可以推广到其他工程领域：定义最终产物、写专用验证器、大量 rollout 并针对性优化。原文附了 NeMo Gym 快速入门指南。
深读
导读 芯片设计自动化中，agent 的可靠性是生产落地的最大障碍，一个早期错误会无声地传播到最终产物。Siemens EDA 用 NVIDIA NeMo Gym 来评估和优化其 Solido Characterization Suite agent，核心思路是：不只看中间工具调用是否成功，而是对最终生成的 Liberty 文件做领域专用验证。经过约 25 轮迭代，基准测试的综合得分从约 55% 升至 95%，agent 的交互轮次和输出 token 分别减少了 66% 和 64%。 关键信息 - Siemens EDA 团队使用 NVIDIA NeMo Gym 评估和优化 Solido Characterization Suite agent，该 agent 负责自动化标准单元表征（standard-cell characterization）流程，生成 Liberty (.lib) 文件。 - 验证器检查最终产物的五个维度：覆盖率（是否生成所有预期 cell 和 PVT corner）、合法性（文件格式是否可用）、相对验证（是否引入参考之外的新错误）、精度（值在容差范围内的比例）、完整性（是否完整生成而非复用或截断）。 - 奖励函数设计为：覆盖率、合法性、相对验证、完整性四个门控指标中任一不通过则奖励归零，再乘以精度分数（容差内值占总值的比例）。 - 基准测试使用开源 GF180MCU PDK，包含 229 个标准单元和 36 个 PVT corner，每次运行限制为 2 个 cell 和 36 个 corner，耗时约 1.5 到 2 小时。 - 经过约 25 轮迭代，综合验证分数从约 55% 提升至约 95%；agent 交互轮次从 155 次降至 53 次（减少 66%）；输出 token 从约 81K 降至 29K（减少 64%）。 - 优化手段包括简化重叠的文件和 shell 接口，以及为工具输入定义明确的 JSON schema，使 agent 更容易调用。 逐节讲解 标准单元表征自动化的挑战 标准单元表征是为逻辑单元在不同工作条件下生成精确的时序、功耗和噪声模型的过程。每当半导体代工厂发布新的工艺设计套件（PDK）时，就需要重新生成这些模型。Solido Characterization Suite agent 通过 Siemens Fuse EDA AI Agent 编排工具，后者通过 MCP 服务器和技能接口暴露给 Claude Code、Codex、Cursor 等编码工具。该 agent 需要完成工具设置、大规模 SPICE 仿真、分布式计算、Liberty 文件生成、调试和最终验证等多个阶段。由于各阶段相互依赖，早期设置错误会传播到后续所有步骤。 用 NeMo Gym 评估和优化 agent NVIDIA NeMo Gym 是一个用…