Tối ưu độ tin cậy agent và hiệu quả gọi công cụ trong thiết kế chip bằng NVIDIA NeMo Gym

Siemens EDA đã dùng đánh giá agentic để giảm 66% số lượt agent trong khi nâng điểm benchmark từ 55% lên 95%. Các AI agent mang lại năng suất tăng đáng kể trong quy trình thiết kế chip phức tạp, nhưng xu hướng tạo ra những artifact có vẻ đúng nhưng sai lại khiến độ tin cậy trở thành rào cản lớn cho việc áp dụng sản xuất. Trong các quy trình kỹ thuật đa giai đoạn, một lỗi chưa được phát hiện ở giai đoạn thiết lập ban đầu có thể lan truyền âm thầm qua các giai đoạn tiếp theo và cuối cùng là sinh ra artifact. Việc đánh giá và tinh chỉnh những agent này dựa trên output cuối cùng đã được xác minh, thay vì các bước trung gian đơn lẻ, là điều cần thiết để xây dựng tự động hóa đáng tin cậy. NVIDIA NeMo Gym, một thư viện mở để đánh giá và cải thiện model và agent bằng môi trường, giải quyết thách thức này. Môi trường đánh giá agentic của NeMo Gym được thiết kế để chẩn đoán các chế độ thất bại và theo dõi sự lan truyền lỗi qua các quy trình đa giai đoạn phức tạp. Bằng cách thiết lập một verifier thuộc lĩnh vực cụ thể để kiểm tra output cuối cùng so với các artifact tham chiếu đã xác minh, NeMo Gym cho phép kỹ sư theo dõi toàn bộ quỹ đạo rollout và xác định nguyên nhân gốc rễ của những lỗi tinh vi. Bài viết này đi qua cách NeMo Gym được dùng để đánh giá và cải thiện độ tin cậy của Siemens Fuse EDA AI Agent khi gọi công cụ đặc tả. Nhóm Siemens Fuse đã dùng NeMo Gym để mở rộng quy mô đánh giá và xác minh các file Liberty (.lib) kết quả so với các tham chiếu đã biết và truy trace—cả thất bại phổ biến và hiếm gặp qua từng rollout.