За выпуском любого массового полупроводникового продукта стоит колоссальный пласт инженерной работы: на этапе проектирования технологических процессов и самих чипов сотрудники НИОКР принимают решения, которые впоследствии определяют как характеристики готовых кристаллов, так и уровень брака на производстве. Именно в этой точке Nvidia сделала ставку на искусственный интеллект, представив концепцию так называемых AI-defined fab — «фабрик полупроводников, управляемых ИИ». Компания подчёркивает, что речь пока не идёт о полностью автономных предприятиях, хотя в долгосрочной перспективе именно к этому и придёт отрасль. На текущем этапе фокус смещён на интеграцию нейросетевых моделей в проектирование техпроцессов, моделирование физических явлений, контроль качества и управление производственными линиями.
Ускорение физического моделирования: от теплопередачи до литографии
Одно из ключевых направлений концепции — ускорение многопрофильного физического моделирования, которое одновременно учитывает теплопередачу, электрические процессы и механические напряжения в кремниевых структурах. Конкретный пример уже реализован: компания COMSOL использует библиотеку Nvidia cuDSS для ускорения подобных расчётов при разработке полупроводникового оборудования и технологических процессов. Заявленный прирост производительности достигает десятикратного размера по сравнению с традиционными CPU-решениями. Аналогичный подход применяется в моделировании материалов на атомном уровне: платформа Applied Materials Ginestra, построенная на cuDSS, работает до десяти раз быстрее чисто процессорных аналогов, а система ACE+ с применением PhysicsNeMo ускоряет моделирование формирования рельефа поверхности до 35 раз. В сфере литографии Siemens интегрирует библиотеку cuLitho в программное обеспечение Calibre, получая ускорение отдельных вычислительных задач до 17 раз.
Миллисекунды вместо дней: ИИ-прогнозирование вместо полного расчёта
Второй подход принципиально иной: вместо повторного выполнения полного вычислительного моделирования используются ИИ-модели, обученные на результатах физических симуляций. Это позволяет прогнозировать поведение технологических процессов исключительно на предсказании, что экономит ресурсы на проведении дорогостоящих проверок на действующих производственных линиях. Наиболее показательный пример — компания Lam Research, применившая Nvidia PhysicsNeMo для прогнозирования поведения плазмы при плазменном травлении кремниевых пластин. Такие расчёты требуют учёта взаимодействия электрических, химических и тепловых процессов. По данным Nvidia, обученная модель выдаёт прогноз за миллисекунды, тогда как полноценный реальный эксперимент или повторный расчёт занимали бы несколько дней. Виртуально это напоминает某种 интуицию, хотя в контексте промышленного ИИ говорить об интуиции пока преждевременно.
ИИ-агенты и цифровые двойники фабрик
На уровне тестирования и управления производством концепцию дополняют ИИ-агенты и цифровые двойники. Компания Advantest использует агенты Nvidia NeMo Switchyard для автоматического выбора подходящих ИИ-моделей при анализе результатов испытаний полупроводников: по утверждению Nvidia, это сокращает время выполнения соответствующих операций с нескольких часов до нескольких минут. Applied Materials, в свою очередь, создаёт с помощью библиотек Nvidia Omniverse цифровые двойники целых фабрик. В виртуальной среде инженеры могут моделировать перемещение материалов, расположение оборудования, производительность участков и возможные узкие места, проверяя изменения до их внедрения на реальном предприятии.
Инженер остаётся в контуре управления
По представлению Nvidia, в совокупности продвигаемые процессы по передаче ряда ключевых инженерных обязанностей искусственному интеллекту создают основу для нового подхода к производству микросхем. При этом инженеры сохраняют контроль над технологическими решениями, но получают результаты анализа значительно быстрее. В конечном счёте, как позиционирует компания, это позволит быстрее выпускать более качественную электронику и вычислительную технику, сокращая цикл от проектирования до серийного производства и минимизируя число дорогостоящих экспериментов непосредственно на производственной линии.
