AI 正在改变半导体晶圆厂的运作方式，工程师的迭代速度因此加快

对先进芯片的需求正在上升，制造它们的工艺也日益复杂，而容错空间却在不断缩小。

对工程师而言，理解工艺变更会产生什么效果、新材料在新步骤中会如何相互作用、缺陷如何追溯到根本原因，这些都是半导体制造中至关重要且充满挑战的环节——而这些分析可能需要数天时间。在产线上进行物理实验既缓慢又昂贵，对良率或工艺质量做出错误判断会带来实际后果。

AI 正在变革半导体制造，影响着工程师能做什么——以及能做得多快。 

加速计算缩短了仿真时间，让工程师在投入物理试验之前可以评估更多备选方案。 

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仿真。 

AI 智能体可以处理过去要耗费数小时的一系列工程任务。 

而数字孪生让团队能够在虚拟环境中先测试变更，再投入物理试验。

这些能力共同描绘出一个 AI 定义的晶圆厂：在这家半导体制造工厂中，AI 帮助工程师优化工艺、更早发现问题，并在整个芯片制造生命周期中做出更好的决策。工程师负责指挥工作并根据自身专长做出决策，同时减少等待答案的时间。

更短的仿真周期改变工程师可探索的范围

加速计算不只是加快单个计算的速度——它改变了工程师在做出投入之前能测试多少备选方案。 

多物理场仿真对各种物理效应之间的相互作用进行建模，例如热传递、电学行为和机械应力。 

借助 NVIDIA cuDSS 库，多物理场软件提供商 COMSOL 将半导体制造领域的此类仿真速度最高提升至原来的 10 倍。这有助于工程师优化设备和工艺、比较不同方案，并决定要实际测试哪些变更。

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 仿真平台运行速度最高达到纯 CPU 方案的 10 倍。借助 NVIDIA PhysicsNeMo，Applied 的 ACE+ 多物理场平台的形貌仿真速度最高提升 35 倍。

在某些情况下，加速不仅缩短了计算时间——更是让计算得以实现。计算光刻——它决定了电路图案如何被印制到硅片上——所涉及的计算量过于庞大，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投产印制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。

无需运行每次仿真即可预测工艺行为

除了加速仿真之外，基于物理学训练的 AI 还能预测材料和工艺的表现——而无需每次都运行完整的仿真。

在那些即使在加速硬件上运行也十分昂贵、复杂的计算中，这一收益最为明显。

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。对等离子体行为建模需要求解那些描述电学、化学和热学过程如何相互作用的方程，使得反复仿真的代价高昂。Lam Research 证明，NVIDIA PhysicsNeMo 框架能够在毫秒级预测等离子体行为，而完整仿真则需要数天时间——为工程师提供了一种更快探索工艺条件的方法，而无需每次都重新运行完整模型。

智能体处理决策之间的步骤

工程师会将分析转化为决策——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。

评估将哪个 AI 模型应用于特定任务就是一个例子：这是一个顺序化的手动过程，在测试车间可能耗时数小时。 

Advantest 正在使用 NVIDIA NeMo Switchyard AI 智能体实现该选择的自动化，将响应时间从数小时缩短到数分钟。

在产线变更落地前进行测试

数字孪生让团队能够在投入物理试验之前，在虚拟环境中仿真设备配置、布局和工艺变更。这降低了试验成本，尤其随着晶圆厂日益复杂、错误变更的代价越来越高时更是如此。

Applied Materials 使用 NVIDIA Omniverse 库构建整个晶圆厂的物理精确数字孪生。团队可以仿真物料移动、识别瓶颈并评估布局与运营策略——将虚拟试验从单个工艺扩展到工厂整体运行。

环环相扣的闭环

半导体制造的未来在于将这些能力连接起来：用生产数据来训练模型，用模型来评估变更，再将这些发现反馈给做出生产决策的工程师。 

这就是 AI 定义晶圆厂的愿景：AI 帮助人们从每个生产周期中学习，并更快地将所学付诸行动。

了解 NVIDIA 如何与半导体行业领导者合作，覆盖芯片生命周期全程。