NVIDIA NeMo Gymで半導体設計AIを最適化、検証スコア95%達成とターン数66%削減

要点

• 米NVIDIAは、オープン評価環境ライブラリ「NeMo Gym」を活用し、半導体設計向け自律型AIエージェントの信頼性と実行効率を向上させた検証事例を発表した。

• シーメンスの「Siemens Fuse EDA AI Agent」を対象とした検証において、代表的なベンチマークの複合検証スコアが従来の約55%から約95%へと向上した。

• 動作診断をもとにスキル定義やツールの説明文を改善したことで、対話ターン数は155回から53回へ66%削減され、出力トークン数も約8万1000から約2万9000へと大幅に減少した。

• 最終成果物を厳密に検査するドメイン特化型検証システムを導入し、複数段階の工程におけるエラー伝播を検知・特定する手法を実証した。

• NVIDIAはこの評価手法について、電子設計自動化（EDA）のみならず、計算機援用工学（CAE）など幅広い工学分野のAIエージェントに応用可能としている。

• 米NVIDIAは2026年10月14日、公式技術ブログにおいて、オープンソースの評価ライブラリ「NVIDIA NeMo Gym」を活用し、半導体設計（EDA）向けAIエージェントの最適化に成功した事例を公開した。独シーメンスの「Siemens Fuse EDA AI Agent」に適用したところ、タスク完了までのターン数を66%削減しつつ、複合検証スコアを従来の約55%から約95%へ引き上げたという。

多段階ワークフローにおける「エラー伝播」の課題

半導体チップ設計をはじめとする複雑な工学ワークフローでは、自律型AIエージェントの活用による生産性向上が期待されている。その一方で、もっともらしいが誤った成果物を生成してしまう傾向があり、本番導入に向けた信頼性の確保が大きな課題となっていた。

特に多段階の設計工程では、初期設定の段階で生じた未検出のエラーが後続処理へと静かに伝播し、最終成果物に重大な不具合をもたらす恐れがある。NVIDIAは、信頼性の高い自動化を実現するには、途中のステップを個別に評価するのではなく、検証済みの最終成果物に対してエージェントを評価・改善することが不可欠であると指摘している。

標準セルキャラクタライゼーションの自動化

今回の検証対象となったのは、半導体設計の基盤工程である「標準セルキャラクタライゼーション」だ。これは、動作環境ごとに論理セルのタイミングや消費電力、ノイズ特性を正確にモデル化する作業である。

半導体受託製造企業（ファウンドリ）が新たなPDK（Process Design Kit：製造プロセスと設計ツールを連携させる設計規則や素子モデルの仕様群）を発行するたび、この工程が必要となる。PDKが更新されると従来のデータが適合しなくなるため、入力スルー、出力負荷、PVT（プロセス・電圧・温度）条件の組み合わせに応じてモデルを再生成・検証しなければならない。

シーメンスは「Solido Characterization Suite」のエージェントによってこの工程の自動化を進めている。同エージェントは「Siemens Fuse EDA AI Agent」を通じてツール群を連携させ、Claude CodeやCodex、Cursorなどの開発環境に向けてMCP（Model Context Protocol：モデルと外部ツールを接続するオープン仕様）サーバーやスキルを提供している。

NeMo Gymによる検証アーキテクチャ

このワークフローの評価に導入されたのが「NVIDIA NeMo Gym」である。NeMo Gymは、多段階の工程における失敗原因の診断やエラー伝播の追跡を目的に設計された、環境ベースのオープン評価・改善ライブラリだ。

シーメンスのチームはNeMo Gymを用い、生成された標準フォーマット「Liberty（.lib）ファイル」を既知のリファレンス成果物と照合した。システムにはドメイン特化型の検証ツール（Verifier）が組み込まれ、カバレッジ、妥当性（validity）、相対的検証（relative validation）、精度、整合性（integrity）の各基準をチェックする。いずれかの検査ゲートで不合格となった場合は報酬をゼロとする厳格な評価体系を採用した。

これにより、実行軌跡を完全にトレースし、頻発するエラーから稀な不具合まで根本原因を特定できたという。

スコア95%達成と工学分野への応用

検証ツールの診断結果をもとにエージェントのスキルやMCPツールの説明文（tool descriptions）を改善したところ、性能と効率の双方が飛躍的に向上した。代表的なタスクによるベンチマークにおいて、複合検証スコアは約55%から約95%へと向上。さらに、対話ターン数は155回から53回へと66%減少し、出力トークン数も約8万1000から約2万9000へと削減された。

NVIDIAは、今回の成果をチップ設計チームやEDA開発者がAIを活用して信頼性を高める実践例として位置づけている。また、最終成果物を採点して反復実行を通じてスキルを最適化する本アプローチは、電子設計自動化（EDA）にとどまらず、CAE（計算機援用工学）をはじめとする工学系ドメインの自律型エージェント全般にも広く応用可能であると説明している。