NVIDIA 如何用 AI 加速半导体晶圆厂：仿真提速最高 35 倍

对先进芯片的需求正在上升。制造这些芯片的工艺正变得越来越复杂。而容错空间正在缩小。

对工程师而言，理解工艺变更会如何表现、材料会如何与新的步骤相互作用、缺陷如何追溯到根本原因，是半导体制造中关键而富有挑战性的环节——而这些分析可能需要数天时间。在晶圆厂产线上进行物理实验既缓慢又昂贵。在良率或工艺质量上做出错误判断会带来实实在在的后果。

AI 正在改变半导体制造，影响着工程师能做什么——以及做得多快。

加速计算缩短了仿真时间，让工程师在投入物理试验之前能够评估更多备选方案。

基于物理的 AI 帮助工程师预测工艺行为，而无需每次都运行完整的仿真。

AI 智能体负责处理曾经耗费数小时的系列工程任务。

而数字孪生让团队能够在投入物理试验之前，在虚拟环境中测试变更。

这些能力共同描绘出一个“AI 定义的晶圆厂”：在这样的半导体制造工厂中，AI 帮助工程师优化工艺、更早发现问题，并在芯片制造的整个生命周期中做出更好的决策。工程师依据自身专业知识主导工作并做出决策，同时减少等待答案的时间。

加速计算不只是加快单项计算——它改变了工程师在做出决定之前能够测试多少种备选方案。

多物理场仿真对物理效应之间的相互作用进行建模，例如传热、电学行为和机械应力。

多物理场软件提供商 COMSOL 利用 NVIDIA cuDSS 库，将半导体制造领域的此类仿真加速最高达 10 倍。这有助于工程师优化设备和工艺、比较备选方案，并决定哪些变更需要进行物理测试。

Applied Materials 与 NVIDIA 正在合作加速原子尺度的材料发现和工艺开发。通过集成 NVIDIA cuDSS，Applied 的 Ginestra 仿真平台运行速度比仅使用 CPU 的方法最高快 10 倍。而借助 NVIDIA PhysicsNeMo，Applied 的 ACE+ 多物理场平台提供的形貌仿真最高快 35 倍。

在某些情况下，加速不仅仅缩短了计算时间——它让计算得以实现。计算光刻——即定义电路图案如何印制到硅片上的过程——涉及的计算强度过大，无法在生产规模下用 CPU 完成。Siemens 正在将 NVIDIA cuLitho 集成到其 Calibre 光刻软件中，在关键仿真工作负载上实现最高 17 倍的加速。这扩大了工程师在晶圆进入印刷之前能够验证的范围。

因此，更快的计算可以帮助研究人员探索影响下一代半导体工艺的材料行为和反应路径。

除了加速仿真之外，基于物理训练的 AI 可以预测材料和工艺将如何表现——而无需每次都运行完整的仿真。

其收益在复杂计算中最为明显，这些计算即使在加速硬件上也很昂贵。

等离子体——半导体刻蚀工艺中使用的带电气体——就是一个例子。对等离子体行为进行建模需要求解能够刻画电学、化学和热学过程如何相互作用的方程，这使得重复仿真成本高昂。Lam Research 证明，NVIDIA PhysicsNeMo 框架可以在毫秒级预测等离子体行为，而完整仿真需要数天——这为工程师提供了一种更快的方法来探索工艺条件，而无需每次都重新运行完整模型。

Applied Materials 使用基于 NVIDIA Omniverse 库构建的数字孪生，在布局、吞吐量、成本和工艺控制方面模拟晶圆厂级别的优化。

工程师将分析转化为决策——修改设计、调查测试失败、调整生产流程等等。

AI 智能体可以帮助执行这些决策之间的步骤。

评估将哪种 AI 模型应用于给定任务就是一个例子：这是一个顺序的、手动流程，在测试现场可能耗费数小时。

Advantest 正在使用 NVIDIA NeMo Switchyard AI 智能体来自动化这一选择，将响应时间从数小时缩短到数分钟。

数字孪生让团队能够在投入物理试验之前，在虚拟环境中模拟设备配置、布局和工艺变更。这降低了实验成本，尤其是在晶圆厂变得更加复杂、错误变更的代价越来越高的情况下。

一个使用 NVIDIA Omniverse 库构建的照片级真实感晶圆厂数字孪生，用于模拟物料流动、发现瓶颈并在部署前验证运营策略。图片由 Applied Materials 提供。

应用材料公司使用 NVIDIA Omniverse 库构建整个晶圆厂的物理精确数字孪生。团队可以模拟物料流动、识别瓶颈，并评估布局和运营策略——将虚拟实验从单个工艺扩展到整个工厂的运作方式。

互联闭环

半导体制造的未来在于将这些能力连接起来：利用生产数据为模型提供信息，用模型评估变更，然后将这些发现反馈给做出生产决策的工程师。

这就是 AI 定义的晶圆厂的承诺：AI 帮助人们从每个生产周期中学习，并更快地依据这些知识采取行动。

探索 NVIDIA 如何与半导体领导者合作，覆盖芯片全生命周期。

工业与制造业