AI在信号完整性中的应用

AI 在信号完整性中的应用：从代码助手到仿真工程师

导语

信号完整性工程师的日常工作，拆开来看其实由几个固定模块组成：读协议规范、配置仿真、跑合规检查、整理报告、执行测试。这些环节高度重复、规则明确，但过去一直依赖人工操作——不是因为技术做不到自动化，而是因为 EDA 工具缺乏一个"统一的智能操作层"。

2025 年底到 2026 年上半年，情况正在发生实质性的变化。AI Agent 已经从"写代码的助手"进化到"能操作 EDA 工具的智能体"。

1. 协议理解：AI 帮你"读懂"几百页的规范

PCIe 6.0 规范超过 1000 页，DDR5 的 JEDEC 标准同样以数百页计。每次新项目启动，SI 工程师都要花大量时间去查阅特定条款——眼图模板怎么定义？合规测试点的 loss 要求是多少？DFE tap 的幅度约束条件是什么？

传统做法是人肉翻书，或者靠经验记忆。现在有了新的方式：

Claude Code / OpenAI Codex + RAG 检索

将 PCIe/Ethernet/DDR 等规范文档导入知识库，AI 可以像资深工程师一样快速定位条款。你只需要问："PCIe 6.0 在 64 GT/s 下的参考 CTLE 增益曲线是什么？""Gen5 的 stressed eye 校准流程中 DMI 注入频率是多少？"

更关键的是，AI 不仅能检索，还能理解上下文进行推理。比如追问"为什么 100 MHz 正弦抖动被选为主要的时序应力源？"AI 可以结合 CDR 架构特性给出解释——boud-rate CDR 无法跟踪这个频率的抖动，因此会直接转化为采样点偏移和 SNR 下降。

kicad-happy 等开源项目更进一步：它将 KiCad 的原理图和 PCB 布局解析为结构化数据，AI Agent 可以跨引用器件值与手册，自动检测常见的 SI 设计错误——比如端接不匹配、阻抗偏移、电源去耦不足等。这套工具兼容 Claude Code、OpenAI Codex、GitHub Copilot CLI 和 Gemini CLI。

2. 自动化仿真：AI 在"操作"你的求解器

这是 2026 年最值得关注的进展。过去 AI 在仿真中的角色是"写脚本"——工程师告诉 AI 生成一段 Python/Lua 脚本，然后手动扔到求解器里跑。现在流程变了：AI 直接操作求解器本身。

Simbeor Commander——Simberian 在 2025 年底推出、2026 年 DesignCon 上重点展示的 AI Agent 系统，是第一个直接嵌入 SI 求解器的 AI 系统。它通过自然语言或结构化指令，直接调度 Simbeor 的 EM 求解器完成分析任务：

• "导入这个 board file，对所有 PCIe 5.0 链路做合规检查"

• "把第二层的介质换成 Megtron 7，重新跑阻抗"

• "检查这几条高速链路的 IL、RL、PSXT，标记不合格的"

整个过程不需要工程师手写脚本，Commander 内部的多智能体架构自动完成链路识别→求解器配置→多轮迭代→结果汇总。

类似地，Siemens Fuse EDA AI Agent（2026 年 3 月发布）在更宏观的层面实现了跨工具链的仿真自动化。它通过"Supervisor + Worker"的多智能体架构，协调 Xpedition（布局）、HyperLynx（SI 分析）、Tessent（DFT）等多个工具完成端到端的设计-分析-验证流程。它不只是调一个求解器，而是能在不同 EDA 工具之间做任务拆解和结果仲裁。

Cadence Optimality 和 Allegro X AI 也在走类似路线：AI 驱动的多域分析和优化（MDAO），从 IC 到封装到 PCB 的系统级 SI 优化，自动探索设计空间中的最优解。

3. MCP 协议：AI 操作仿真软件的"USB 接口"

AI Agent 要操作 EDA 工具，卡在哪一步？答：卡在工具接口不统一、AI 不知道怎么调用。

2024 年 Anthropic 推出的 MCP（Model Context Protocol，模型上下文协议） 正在解决这个问题。MCP 是一个开源标准，你可以把它理解为AI 领域的 USB 接口——它定义了 AI 模型如何标准化地连接外部数据源和工具。

MCP 的三层架构：

这三个原语（Primitives）构成了 MCP 的核心：

• Tools（工具）：可执行的函数——调用求解器、运行脚本、修改模型参数

• Resources（资源）：可读取的数据源——几何数据、边界条件、仿真结果

• Prompts（提示模板）：预设的标准化工作流模板

这意味着什么？

以前要让 AI 帮忙做 SI 仿真，流程是：工程师看懂 AI 的代码建议 → 手动复 制到工具里跑 → 把结果贴回给 AI 分析。

现在有了 MCP：你可以直接在 Claude Code 里说"这个设计的 PCIe 合规检查结果怎么样"，Commander 的 MCP Server 会依次调用求解器、读取结果、返回结构化数据给 AI、AI 再给出分析。

一个实际例子：AI-EDA 项目通过 MCP 桥接 Claude Code 和立创 EDA Pro，AI 可以直接读取原理图、检查 200+ 个元件的电源去耦、总线上拉、浮空引脚、复位电路，然后生成结构化审查报告——还能自动修复发现的缺陷。

另一个是 Quarantadue AI 推出的 SI MCP Tool：它可以在 AI Agent 中直接计算传输线损耗、阻抗匹配、眼图开度等指标，支持 Co-packaged Optics 场景的快速 what-if 分析，输入参数包括 data_rate、trace_length、via_count、dielectric_constant 等，输出插入损耗、回波损耗、眼图闭合度估计。整个计算在 AI 对话中完成，不需要切换到任何 EDA 工具。

4. 报告整理：从数据堆到结构化输出

SI 仿真最烦人的环节之一就是整理报告。跑完 30 条链路的 IL/RL/PSXT/ICR，每个指标单独截图、复 制数据、排版、写结论——半小时的事情可以拖成半天。

AI 在这方面已经非常成熟了，关键在于两项能力：

结构化数据理解

Simbeor Commander 和 Simbeor SI Compliance Analyzer 可以直接输出合规矩阵（Pass/Fail + 裕量值），AI Agent 抓取后自动填入报告模板。不合格的链路直接标记，并附带违规位置的定位信息——是过孔残桩、参考平面不连续还是阻抗偏差。

自然语言报告生成

Claude Code 或 ChatGPT 可以直接将仿真数据转化为报告文本，包括：
- 合规总览（通过率、关键指标分布）
- 逐条链路的详细分析
- 自动标注不合格项及其严重程度
- 给出优化建议（哪些链路需要优先处理、建议从哪个方向改）

AI-EDA 项目展示了一个完整闭环：Claude Code 自动审查原理图 → 发现 5 类设计缺陷 → 生成 Markdown 报告 → AI 直接修复问题 → 提交 PR。整个流程中，工程师只需审核最终结果，不需要手动参与中间环节。

5. 自动化测试：AI Agent 驱动的测试执行与验证

在测试领域，AI Agent 的落地速度甚至比仿真更快。原因是测试流程更加标准化、规则更明确。

硬件验证领域的最新案例

Github 上的 AI-Driven Autonomous Hardware Verification Platform 项目展示了完整的 AI 驱动硬件验证工作流：用户上传 Verilog 设计文件 → AI 自动生成测试台 → 调用 Icarus Verilog 编译仿真 → 分析输出波形 → 检测设计问题 → 生成结构化验证报告 → 用自然语言解释结果。整套流程通过 MCP 协议串联，由 Claude Code 作为 AI 大脑统一调度。

在 SI 测试中，类似的逻辑正在被复用：

• BERT + AI 自动配置：AI Agent 读取被测链路的协议类型和速率要求，自动配置 BERT 的码型、抖动注入参数、眼图扫描范围

• 自动合规判定：VNA/TDR 采集的数据由 AI 自动处理，比对 PCIe/Ethernet 标准的合规限值，输出 Pass/Fail 判定

• 回归测试自动化：多个 corner 条件的测试脚本由 AI 自动编排执行，结果自动汇总比对

Fuse EDA AI Agent 在这方面做得更彻底——它本身就是为自动化 EDA 工作流设计的。它不只是调工具，而是能"计划"完整的测试流程：理解测试目标 → 拆解为子任务 → 分配给对应的 Worker Agent → 收集结果 → 仲裁冲突 → 输出最终报告。

6. 更多可能性：AI 在 SI 中还能做什么

前面五个方向是过去三个月已经有产品化落地或公开发布的。还有几个方向正在快速推进：

设计空间探索与优化

Cadence Optimality 使用 AI 驱动的 MDAO 技术，可以在 IC-封装-PCB 的全链条上自动搜索最优设计参数组合。与传统参数扫描不同，AI 约束优化可以在更少的迭代次数内找到接近全局最优的解。

S 参数质量自动化检查

Simbeor Commander 可以自动执行 S 参数 QA 检查——因果性检查、无源性检查、带宽验证——这个以前要靠工程师经验和手动判断的环节，现在 AI 可以自动标记异常 S 参数文件并给出修复建议。

自动布线后的 SI 验证闭环

Allegro X AI 走的是"AI 布线 → 自动 SI 验证 → 结果反馈 → AI 调整布线"的闭环路线。AI 布线工具完成初始布线后，自动触发 SI 合规检查，不合格的区域标记回布局工具，AI 自动调整走线。这离"设计即合规"的目标已经不远了。

7. 工具对比：主流 AI Agent 在 SI 场景下的适用性

工程意义：AI + SI = ？

如果用一个词总结 2025-2026 年 AI 在 SI 领域的进展，那就是"工具层重构"。

过去 AI 在 SI 中的角色止步于"增强型代码补全"——帮你写个脚本，但你得自己跑。现在通过 MCP 协议和 agentic AI 架构，AI 正在成为 SI 工具的操作层。工程师从"操作工具"变成"指挥智能体操作工具"。

这对 SI 工程师意味着什么？

• 标准化场景会被快速替代——合规检查、报告生成、参数扫描、S 参数 QA 这些重复性工作，AI 做得比人快且持续稳定

• 决策和判断仍然是人的领地——AI 可以告诉你哪条链路不合格，但要决定是否放宽标准、从哪个角度改、权衡 PI/Thermal/SI 的折中，这些仍然需要工程师的经验

• MCP 生态的完善速度是关键变量——如果主流 EDA 工具都提供 MCP Server 接口，AI 驱动 SI 设计的普及速度会比大多数人预期的快得多

💬 聊两句

你现在日常使用 AI Agent（Claude Code / Codex / Copilot 等）做仿真或测试相关的工作吗？用在了哪个环节——写脚本、读协议、跑合规还是整理报告？你觉得 MCP 协议能让 AI 在 EDA 中的应用跃升一个台阶，还是噱头大于实用？

欢迎在评论区聊聊你的看法和使用体验 👇

参考论文及资料

• Simberian Inc., Simbeor Commander with AI Agents, 2025-2026  

• Siemens EDA, Fuse EDA AI Agent System, 2026  

• Samtec, Intel, Simberian, Multi-Agent AI Systems for Autonomous Signal Integrity Analysis of PCB & Package Designs, DesignCon 2026  

• Anthropic, Model Context Protocol (MCP) Specification, 2024-2026  

• aklofas, kicad-happy: AI Agent Design Review for KiCad, 2026  

• keiller9, AI-EDA: MCP Bridge for Claude Code ↔ EDA Tools, 2026  

• Quarantadue AI, Signal Integrity MCP Tools for Co-Packaged Optics, 2026  

• Hetvirani, AI-Driven Autonomous Hardware Verification Platform using MCP, 2026  

• Cadence, Optimality Intelligent System Explorer & Allegro X AI, 2026

感谢阅读。

关注"信号完整性设计"，一起追踪高速链路、先进封装与系统协同中的关键技术演进。