Cadence amplía alianzas con Nvidia y Google Cloud para llevar la simulación física y el diseño de chips a la nube

Resumen de las alianzas

Cadence Design Systems anunció en su evento CadenceLIVE dos acuerdos importantes que amplían su trabajo con Nvidia e introducen integraciones con Google Cloud. El primer frente integra la simulación multi‑física y el diseño de sistemas de Cadence con las bibliotecas CUDA‑X, modelos de IA y el entorno de simulación Omniverse de Nvidia. El segundo permite ofrecer en la nube un agente de IA para automatizar etapas críticas del diseño físico de chips, aprovechando los modelos de Google.

Simulación física y “physical AI”: ¿qué buscan resolver?

La colaboración con Nvidia apunta a combinar modelos de IA con simulación basada en física y computación acelerada para sistemas robóticos y diseño a nivel de sistema. Cadence y Nvidia destacan que el rendimiento de sistemas complejos —desde chips hasta grandes infraestructuras de IA— depende de la interacción entre cómputo, redes y alimentación eléctrica. Por eso integran herramientas que modelan interacciones térmicas y mecánicas para que los ingenieros puedan evaluar el comportamiento en condiciones reales antes de desplegar físicamente los sistemas.

Además de aplicaciones en el diseño de semiconductores, la integración cubre componentes de infraestructura como redes y sistemas de energía, permitiendo simular el comportamiento conjunto del sistema y reducir riesgos en despliegues a gran escala.

Robótica y datasets generados por simulación

Un aspecto central del acuerdo es la vinculación de los motores físicos de Cadence, que modelan cómo interactúan los materiales en el mundo real, con los modelos de IA de Nvidia usados para entrenar sistemas robóticos en entornos simulados. Nvidia promueve este enfoque como “physical AI”: robots y sistemas de IA que se diseñan y validan en gemelos digitales físicamente precisos.

Entrenar robots en simulación reduce la necesidad de recopilar grandes volúmenes de datos reales, pero obliga a que esos datasets sintéticos se generen con modelos basados en física de alta fidelidad. Como lo expresó Anirudh Devgan, CEO de Cadence: “The more accurate (generated training data) is, the better the model will be.” Este punto subraya que la calidad de los modelos físicos condiciona directamente la efectividad del entrenamiento.

Nvidia ha señalado que fabricantes industriales de robótica como ABB Robotics, FANUC, YASKAWA y KUKA ya usan frameworks como Isaac y herramientas basadas en Omniverse para probar sistemas antes de su despliegue, integrándolos en flujos de trabajo de “virtual commissioning” para testear líneas de producción completas en software.

Diseño de chips en la nube: el agente que traduce circuitos a silicio

Paralelamente, Cadence presentó un nuevo agente de IA enfocado en automatizar tareas de etapas finales del diseño físico de chips, es decir, el proceso que traduce el diseño de circuitos a implementaciones físicas en silicio. Este agente complementa una versión previa de Cadence para el front‑end del diseño, encargada de la definición de circuitos en descripciones tipo código.

El sistema, ofrecido a través de Google Cloud, combina las herramientas de automatización electrónica (EDA) de Cadence con los modelos Gemini de Google para orquestar flujos de trabajo de diseño y verificación automáticos. La ventaja operativa es poder ejecutar cargas de trabajo intensivas en cómputo sin depender exclusivamente de infraestructura on‑premise, algo relevante para equipos que buscan escalar proyectos de semiconductores o acelerar iteraciones de diseño.

Cadence describe su plataforma ChipStack AI Super Agent como un coordinador que usa razonamiento basado en modelos y herramientas nativas para interpretar requisitos y ejecutar tareas a través de múltiples etapas de diseño. En pruebas tempranas la compañía reportó aumentos de productividad de hasta 10 veces en tareas de diseño y verificación, aunque no divulgó implementaciones concretas de clientes.

Devgan resumió la lógica detrás de estas piezas: “We help build AI systems, and then those AI systems can help improve the design process.” La frase sintetiza un ciclo donde las herramientas de IA aceleran la creación de la misma tecnología que las sustenta.

¿Qué significa esto para la industria en América Latina?

Para empresas y centros tecnológicos en América Latina, las novedades tienen varias implicaciones:

• Acceso a entornos de simulación y diseño en la nube puede reducir las barreras de entrada para proyectos de hardware avanzado, al evitar la necesidad de costosa infraestructura local.
• Sectores industriales de la región con manufactura automatizada —agroindustria, automotriz, ensamblaje electrónico— pueden beneficiarse de gemelos digitales y “virtual commissioning” para optimizar líneas de producción antes de invertir en equipos físicos.
• El uso de datasets sintéticos de alta fidelidad facilita probar algoritmos robóticos en escenarios complejos sin exponer instalaciones productivas a riesgos durante la fase de desarrollo.

No obstante, el aprovechamiento efectivo depende de la disponibilidad de talento en diseño de sistemas y de políticas corporativas que permitan migrar cargas críticas a la nube, además de considerar costos y regulaciones locales sobre datos y seguridad.

NVIDIA Ising: IA aplicada a la corrección de errores cuánticos

En paralelo, Nvidia presentó una familia de modelos de IA de código abierto llamados NVIDIA Ising, inspirados en el modelo Ising de la física. Estos modelos están orientados a la calibración de procesadores cuánticos y a la corrección de errores cuánticos, ofreciendo, según Nvidia, mejoras de hasta 2.5x en velocidad y 3x en precisión en los procesos de decodificación usados para la corrección.

Jensen Huang subrayó la relación entre IA y computación cuántica: “AI is essential to making quantum computing practical,” y añadió que con Ising “AI becomes the control plane – the operating system of quantum machines – transforming fragile qubits to scalable and reliable quantum‑GPU systems.” Estas declaraciones reflejan la apuesta por integrar modelos de IA como capa de control para gestionar la fragilidad y la corrección de errores en sistemas cuánticos emergentes.

Conclusión

La estrategia de Cadence —integrar simulación física, entornos Omniverse de Nvidia y modelos de IA, además de llevar flujos de EDA a Google Cloud— apunta a acelerar ciclos de diseño, entrenamiento y validación de sistemas complejos. Para América Latina, estas capacidades ofrecen oportunidades para modernizar líneas productivas, diseñar hardware con menor riesgo y escalar desarrollo sin infraestructura propia masiva. Sin embargo, el valor real dependerá de la adopción práctica, la formación de equipos locales y las decisiones sobre migración a la nube y gestión de datos.

En conjunto, los anuncios muestran cómo la convergencia de simulación física, IA y nube está desplazando la validación hacia gemelos digitales y flujos automatizados de diseño, un camino que promete acortar tiempos y costos en el desarrollo de sistemas robóticos y semiconductores de próxima generación.