基于物理的验证：可信智能体 EDA 的基础

这是探讨如何构建生产级 EDA AI 智能体系列的第三篇。前两篇分别讨论智能体在生产环境中可靠运行所需的架构决策，以及“自验证”在智能体 EDA 流程中的含义——智能体在工作过程中持续检查自身决策，而非等到运行结束才检查。本篇回答的是这些决策究竟依据什么来验证：答案是物理，更准确地说，是判定设计是否正确的确定性、基于物理的 EDA 引擎。自验证智能体检查自己的工作，物理验证流程则确认这项工作是否正确。 半导体设计始终受物理约束。每颗晶体管、每根导线、每条时序路径、每个热梯度都服从固定的物理定律，与设计如何产生无关，这也是流片结果非成即败的原因。AI 进入这一领域后，物理现实并未改变。关键问题不是 AI 系统能否对物理进行推理，而是它产出的结果是否已被执行物理约束的引擎确认。这一区别把“具备物理推理能力的模型”与“物理验证的流程”分开。 所谓物理验证流程，是指智能体的每一项决策在进入下一步之前，都要对照确定性的、基于物理的 EDA 引擎进行确认。验证不只在流程末端或整轮运行完成后进行，而是每一步都持续进行，对照工程师信任了数十年的引擎。智能体执行一步，引擎判定结果是否满足设计的物理约束；若不满足，智能体定位问题、解决并继续。物理验证意味着正确性的权威是引擎，而非模型。 在流片环节，这一点的意义尤为直接：流片日期固定，重流片代价高昂，错过的市场窗口不会再来。对规模化部署智能体 AI 的工程组织而言，关键不只是流程是否够快，而是产出的结果能否无需工程师逐项人工复核每个自主决策就被信任。能正确推理物理但未对照物理引擎验证输出的智能体流程，会在每个自主步骤引入风险；流程运行越久而缺少验证，设计偏离正确性的幅度就越大。跨多个工具、多个物理域、持续数小时无人干预的长时自主流程中，未经验证的决策会累积，持续物理验证可阻止错误在流程中传播。 3D-IC 设计是这一原则的集中体现。AI 工厂需要在日益受限的物理空间内提升算力、内存带宽与散热能力，随着单片裸片在功耗、性能与面积上的缩放接近实际极限，基于 chiplet 的 2.5D 与 3D 架构通过高密度集成封装实现算力与内存扩展，也使物理设计问题显著复杂化：堆叠有源裸片让散热与温度交互更难预测，封装还可能引入机械应力，电学、功耗、热与机械效应相互关联，一处改动会影响其他方面。依靠人工、碎片化、工具密集的流程处理这些效应，会带来频繁的工程交接、拖慢迭代，并限制团队可评估的设计方案数量。 Siemens 开发了一套自主协调 3D-IC 设计与分析的智能体工程流程：面向不同 EDA 工具的 MCP 服务器与技能文件连接到 Fuse EDA AI Agent，后者作为 MCP 聚合器，可接入任意编码智能体。在该示例中，Claude Code 作为智能体编码 IDE，编排覆盖 7 款 Siemens EDA 工具的九阶段电热流程，运行 100 至 200 个智能体回合、持续超过 12 小时。每个阶段执行不同工程任务，从布局规划、库表征、功耗分析到热签核、系统级热仿真、寄生提取以及功耗与温度感知的 SPICE 仿真，每一阶段都用签核级、基于物理的求解器验证。流程自主运行，执行分析、评估结果、识别未达标项并继续优化设计。团队每轮可在 200 至 500 个以上设计点上扫描传热系数（HTC）边界、功耗预算与材料叠层，从而使工具配置快至 20 倍、工程投入最多减少 95%、可评估的设计选项比传统人工流程多至 50 倍。 判断一套智能体 EDA 流程是否物理验证，只需一个问题：每一步中，智能体的输出是否在流程继续之前被确定性的、基于物理的 EDA 引擎确认？若答案为是，该流程即为物理验证，引擎是仲裁者，每项自主决策都对照设计的物理现实得到确认。三篇文章合起来界定了生产级智能体 EDA 的要求：面向真实工程环境的架构、…