使用 NVIDIA NeMo Gym 优化芯片设计的代理可靠性和工具调用效率

📌 One-Sentence Summary

NVIDIA NeMo Gym 支持对芯片设计 AI 代理进行系统化评估，通过验证最终的 Liberty 工件并优化 MCP 工具描述，将 Siemens Fuse EDA 代理的可靠性从 55% 提升至 95%。

📝 Summary

本文详细介绍了 NVIDIA NeMo Gym 如何用于评估和改进 Siemens Fuse EDA AI 代理，用于标准单元表征。该代理协调 229 个单元和 36 个 PVT 角色的 SPICE 模拟，生成 Liberty 时序模型。NeMo Gym 提供了一个带有领域专用验证器的受控评估循环，该验证器检查最终工件的覆盖范围、有效性、相对验证、准确性和完整性。通过分析回滚轨迹，工程师们完善了代理的技能并改进了 MCP 工具描述，简化了重叠的接口并添加了显式的 JSON 模式。这种优化将综合验证分数从 ~55% 提升到 ~95%，同时将代理回合数减少 66%（从 155 到 53），并减少输出令牌 64%（从 ~81K 到 ~29K）。该方法强调评估最终工程工件而不是单个工具调用，并适用于 EDA、CAE 和其他工程领域。

💡 Main Points

NeMo Gym 通过验证最终工件（而非中间步骤），支持对多阶段芯片设计工作流程中的 AI 代理进行系统化评估。

该环境定义了任务、工具、状态，并包含一个领域专用验证器，用于将最终的 Liberty 文件与参考工件进行比较。这种端到端评估可以发现中间工具调用检查所遗漏的微妙错误，例如丢失的单元、错误的斜率阈值以及超出容差范围的时序值。

一个带有硬栅门（覆盖范围、有效性、相对验证、完整性）和连续准确性度量的综合奖励函数，为代理可靠性提供了严格且可重复的基准。

奖励在任何栅门失败时为零，阻止代理通过复用或截断结果来“作弊”。准确性组件衡量时序和功率值在给定容差范围内的比例，从而可以对回滚结果进行精细比较。

基于轨迹分析，对代理技能和 MCP 工具描述进行微调，显著提高可靠性和效率。

通过简化重叠的文件/shell 接口，并使用显式的 JSON 模式定义工具输入，团队减少了歧义指令和错误的工具选择。这导致综合分数从 ~55% 上升到 ~95%，回合数减少 66%，输出令牌减少 64%。

同样的方法适用于 EDA、CAE 等领域中，用于可靠生成工程工件的代理。

核心原则包括评估最终工件、编写可以检测丢失或变形结果的领域专用验证器，以及通过反复迭代优化技能和工具接口，以收集大量的回滚数据。

📊 Article Meta

AI Screening： 90

Featured： Yes

Source： NVIDIA Technical Blog

Author： Tanya Lenz

Category： 人工智能

Language： 英文

Read Time： 6 min

Word Count： 1382

Tags：

AI 与智能应用 , AI 工程 , 制造业 , NVIDIA , AI 代理