Hinter der Herstellung jedes Halbleiter-Massenprodukts steht eine kolossale ingenieurtechnische Arbeit: In der Phase des Entwurfs von Technologischer Prozessen und der Chips selbst treffen F&E-Mitarbeiter Entscheidungen, die später sowohl die Eigenschaften der fertigen Dies als auch die Ausschussquote in der Produktion bestimmen. Genau an diesem Punkt setzt Nvidia auf Künstliche Intelligenz und stellt das Konzept der sogenannten AI-defined fabs vor – von KI gesteuerte Halbleiterfabriken. Das Unternehmen betont, dass es sich dabei noch nicht um vollständig autonome Unternehmen handelt, obwohl sich die Branche langfristig genau dorthin entwickeln wird. In der aktuellen Phase liegt der Fokus auf der Integration von neuronalen Netzmodellen in die Prozessentwicklung, die Simulation physikalischer Phänomene, die Qualitätskontrolle und das Management von Fertigungslinien.
Beschleunigung der physikalischen Simulation: Von der Wärmeübertragung zur Lithografie
Einer der Kernbereiche des Konzepts ist die Beschleunigung der multiphysikalischen Simulation, die gleichzeitig Wärmeübertragung, elektrische Prozesse und mechanische Spannungen in Siliziumstrukturen berücksichtigt. Ein konkretes Beispiel wurde bereits umgesetzt: COMSOL nutzt die Nvidia cuDSS-Bibliothek, um solche Berechnungen bei der Entwicklung von Halbleiteranlagen und technologischen Prozessen zu beschleunigen. Der angegebene Leistungszuwachs erreicht das Zehnfache im Vergleich zu herkömmlichen CPU-basierten Lösungen. Ein ähnlicher Ansatz wird bei der atomaren Materialmodellierung angewendet: Die auf cuDSS basierende Plattform Applied Materials Ginestra arbeitet bis zu zehn Mal schneller als reine Prozessor-Pendants, während das ACE+-System mit PhysicsNeMo die Simulation der Oberflächenformung bis zum 35-Fachen beschleunigt. Im Bereich der Lithografie integriert Siemens die cuLitho-Bibliothek in die Calibre-Software und erzielt damit Beschleunigungen einzelner Rechenaufgaben um das bis zu 17-Fache.
Millisekunden statt Tage: KI-Prognose statt vollständiger Berechnung
Der zweite Ansatz ist grundlegend anders: Anstatt vollständige Rechensimulationen wiederholt durchzuführen, werden KI-Modelle verwendet, die anhand von Ergebnissen physikalischer Simulationen trainiert wurden. Dies ermöglicht es, das Verhalten technologischer Prozesse ausschließlich durch Vorhersage zu prognostizieren, was Ressourcen bei der Durchführung teurer Überprüfungen an aktiven Fertigungslinien einspart. Das anschaulichste Beispiel ist Lam Research, das Nvidia PhysicsNeMo eingesetzt hat, um das Plasmateilchenverhalten beim Plasmaätzen von Siliziumwafern vorherzusagen. Solche Berechnungen erfordern die Berücksichtigung des Zusammenspiels elektrischer, chemischer und thermischer Prozesse. Nach Angaben von Nvidia liefert das trainierte Modell eine Prognose in Millisekunden, während ein vollwertiges echtes Experiment oder eine wiederholte Berechnung mehrere Tage beanspruchen würde. Virtuell erinnert dies an eine gewisse Intuition, obwohl es im Kontext industrieller KI verfrüht ist, von Intuition zu sprechen.
KI-Agenten und digitale Zwillinge von Fabriken
Auf der Ebene von Tests und Produktionsmanagement wird das Konzept durch KI-Agenten und digitale Zwillinge ergänzt. Advantest nutzt Nvidia NeMo Switchyard-Agenten zur automatischen Auswahl geeigneter KI-Modelle bei der Analyse von Halbleiter-Testergebnissen: Laut Nvidia verkürzt dies die Ausführungszeit entsprechender Operationen von mehreren Stunden auf wenige Minuten. Applied Materials wiederum erstellt mit Hilfe von Nvidia Omniverse-Bibliotheken digitale Zwillinge ganzer Fabriken. In einer virtuellen Umgebung können Ingenieure Materialbewegungen, Geräteplatzierungen, Abschnittsleistungen und potenzielle Engpässe simulieren und Änderungen testen, bevor sie in einem realen Unternehmen implementiert werden.
Der Ingenieur bleibt im Regelkreis
Nach der Vision von Nvidia bilden die geförderten Prozesse zur Übertragung einer Reihe wichtiger ingenieurtechnischer Aufgaben an die Künstliche Intelligenz gemeinsam die Grundlage für einen neuen Ansatz in der Mikrochip-Fertigung. Gleichzeitig behalten Ingenieure die Kontrolle über technologische Entscheidungen, erhalten aber die Analyseergebnisse deutlich schneller. Letztendlich, so positioniert es das Unternehmen, wird dies eine schnellere Markteinführung von qualitativ hochwertigerer Elektronik und Rechentechnik ermöglichen, den Zyklus von der Konstruktion bis zur Serienproduktion verkürzen und die Anzahl kostspieliger Experimente direkt an der Fertigungslinie minimieren.
