Nvidia продвигает идею AI-defined fab — полупроводниковой фабрики, где искусственный интеллект помогает инженерам на почти всех этапах: от моделирования материалов и литографии до поиска дефектов, тестирования и управления производством.

Речь пока не идёт о заводе, который полностью самостоятельно проектирует и выпускает процессоры. Инженеры по-прежнему принимают решения, а ИИ должен убрать самые медленные вычислительные этапы и позволить проверить значительно больше вариантов до того, как изменения попадут на реальную производственную линию.

Именно здесь появляются самые громкие цифры. В одном из сценариев модель Nvidia PhysicsNeMo действительно способна сократить прогнозирование поведения плазмы с нескольких дней до миллисекунд.

Но это не означает, что изготовление самого чипа теперь занимает миллисекунды. Ускоряется конкретная цифровая симуляция, которая раньше требовала долгого физического или компьютерного расчёта.

Вместо одного эксперимента можно проверить десятки вариантов

Производство современных микросхем давно зависит не только от химии и оборудования, но и от огромного количества вычислений.

Перед тем как изменить технологический процесс, инженерам приходится моделировать распространение тепла, механические напряжения, электрические процессы, взаимодействие материалов и поведение плазмы внутри оборудования.

Ошибка обходится дорого: эксперимент на настоящей фабрике может занять дни, остановить оборудование или привести к партии дефектных пластин.

Nvidia предлагает переносить больше таких проверок в цифровую среду.

COMSOL уже использует библиотеку cuDSS, которая ускоряет сложные мультифизические симуляции для полупроводникового производства до десяти раз.

Applied Materials применяет тот же подход в системе Ginestra для моделирования материалов на атомном уровне. Nvidia заявляет ускорение до 10 раз относительно CPU, а платформа ACE+ с PhysicsNeMo способна ускорять моделирование формирования поверхности до 35 раз.

В литографии Siemens интегрирует cuLitho в программное обеспечение Calibre. Отдельные вычислительные задачи при этом ускоряются до 17 раз.

А Lam Research собирается встроить библиотеку NanoVDB в SEMulator3D. Для некоторых операций моделирования травления пластин ожидается ускорение примерно в 30 раз.

Самое интересное — ИИ учится не пересчитывать физику каждый раз заново

Обычная симуляция каждый раз решает большой набор физических уравнений. Это надёжно, но очень медленно.

Другой подход — сначала провести множество точных симуляций, а затем обучить на их результатах ИИ-модель. После этого она может приблизительно предсказывать результат нового процесса без полного повторения исходного расчёта.

Именно так Nvidia демонстрирует ускорение моделирования плазмы.

При плазменном травлении необходимо учитывать электрические поля, химические реакции и передачу тепла. Полноценный расчёт может занимать дни. PhysicsNeMo после обучения выдаёт прогноз за миллисекунды.

Получается своеобразный цифровой аналог накопленного опыта инженера: модель уже видела множество похожих ситуаций и способна быстро предположить, что произойдёт при изменении параметров.

Но такие предсказания всё равно приходится проверять. ИИ не отменяет физическую модель и не гарантирует правильный результат в любой неизвестной ситуации.

ИИ подключают даже к поиску брака и управлению фабрикой

Nvidia пытается охватить не только проектирование.

KLA использовала GPU-библиотеку NPP для обработки изображений при инспекции пластин и получила производительность до 50 раз выше CPU-версии отдельных алгоритмов.

Teradyne сообщает примерно о 85-кратном ускорении анализа состояния тестовых контактов. Такая система должна раньше замечать износ оборудования, пока он не начал снижать выход годных чипов.

Advantest применяет ИИ-агентов NeMo Switchyard для выбора подходящей модели при анализе результатов тестирования. Задача, которая раньше могла занимать несколько часов ручной работы, теперь сокращается до нескольких минут.

А Applied Materials строит в Nvidia Omniverse цифровые двойники целых фабрик. В виртуальной копии можно переставлять оборудование, менять маршруты перемещения пластин, искать узкие места и оценивать производительность до того, как рабочие начнут физическую перестройку линии.

Это особенно ценно для современных фабрик, где один неудачный эксперимент может стоить огромных денег.

Nvidia хочет продавать не только чипы для ИИ, но и сам ИИ для производства чипов

В инициативе уже участвуют Applied Materials, Cadence, KLA, Lam Research, Siemens, Synopsys, Teradyne, Advantest и другие крупные компании полупроводниковой отрасли.

Получается довольно интересный замкнутый круг.

Спрос на ИИ заставляет производителей строить всё больше сложных фабрик и выпускать всё больше ускорителей. А для того чтобы быстрее проектировать и производить эти ускорители, Nvidia предлагает использовать ещё больше GPU и искусственного интеллекта.

При этом главная польза такого подхода не обязательно заключается в одном рекорде вроде «дни превратились в миллисекунды».

Куда важнее возможность проверять десятки и сотни вариантов там, где раньше инженеры успевали просчитать лишь несколько. Чем раньше удаётся обнаружить неправильную конструкцию, плохой материал или источник брака, тем меньше дорогостоящих экспериментов приходится проводить на настоящих пластинах.

Поэтому AI-defined fab пока правильнее воспринимать не как полностью автономную фабрику будущего, а как завод, где ИИ становится ещё одним инженерным инструментом — только способным выполнять часть расчётов в десятки раз быстрее человека и традиционного ПО.