За випуском будь-якого масового напівпровідникового продукту стоїть колосальний пласт інженерної роботи: на етапі проєктування технологічних процесів і самих чипів співробітники НДДКР приймають рішення, які згодом визначають як характеристики готових кристалів, так і рівень браку на виробництві. Саме в цій точці Nvidia зробила ставку на штучний інтелект, представивши концепцію так званих AI-defined fab — «фабрик напівпровідників, керованих ШІ». Компанія наголошує, що наразі не йдеться про повністю автономні підприємства, хоча в довгостроковій перспективі саме до цього прийде галузь. На поточному етапі фокус зміщено на інтеграцію нейромережевих моделей у проєктування техпроцесів, моделювання фізичних явищ, контроль якості та управління виробничими лініями.
Прискорення фізичного моделювання: від теплопередачі до літографії
Один із ключових напрямків концепції — прискорення багатопрофільного фізичного моделювання, яке водночас враховує теплопередачу, електричні процеси та механічні напруження у кремнієвих структурах. Конкретний приклад уже реалізовано: компанія COMSOL використовує бібліотеку Nvidia cuDSS для прискорення подібних розрахунків під час розробки напівпровідникового обладнання та технологічних процесів. Заявлений приріст продуктивності сягає десятикратного розміру порівняно з традиційними CPU-рішеннями. Аналогічний підхід застосовується в моделюванні матеріалів на атомному рівні: платформа Applied Materials Ginestra, побудована на cuDSS, працює до десяти разів швидше за чисто процесорні аналоги, а система ACE+ із застосуванням PhysicsNeMo прискорює моделювання формування рельєфу поверхні до 35 разів. У сфері літографії Siemens інтегрує бібліотеку cuLitho у програмне забезпечення Calibre, отримуючи прискорення окремих обчислювальних завдань до 17 разів.
Мілісекунди замість днів: ШІ-прогнозування замість повного розрахунку
Другий підхід принципово інший: замість повторного виконання повного обчислювального моделювання використовуються ШІ-моделі, навчені на результатах фізичних симуляцій. Це дає змогу прогнозувати поведінку технологічних процесів виключно на передбаченні, що заощаджує ресурси на проведенні дорогих перевірок на чинних виробничих лініях. Найбільш показовий приклад — компанія Lam Research, яка застосувала Nvidia PhysicsNeMo для прогнозування поведінки плазми під час плазмового травлення кремнієвих пластин. Такі розрахунки вимагають врахування взаємодії електричних, хімічних і теплових процесів. За даними Nvidia, навчена модель видає прогноз за мілісекунди, тоді як повноцінний реальний експеримент або повторний розрахунок займали б кілька днів. Віртуально це нагадує певну інтуїцію, хоча в контексті промислового ШІ говорити про інтуїцію поки що передчасно.
ШІ-агенти та цифрові двійники фабрик
На рівні тестування та управління виробництвом концепцію доповнюють ШІ-агенти та цифрові двійники. Компанія Advantest використовує агенти Nvidia NeMo Switchyard для автоматичного вибору відповідних ШІ-моделей під час аналізу результатів випробувань напівпровідників: за твердженням Nvidia, це скорочує час виконання відповідних операцій із кількох годин до кількох хвилин. Applied Materials, зі свого боку, створює за допомогою бібліотек Nvidia Omniverse цифрові двійники цілих фабрик. У віртуальному середовищі інженери можуть моделювати переміщення матеріалів, розташування обладнання, продуктивність ділянок і можливі вузькі місця, перевіряючи зміни до їх впровадження на реальному підприємстві.
Інженер залишається в контурі управління
За уявленням Nvidia, у сукупності процеси, що просуваються, з передачі низки ключових інженерних обов'язків штучному інтелекту створюють основу для нового підходу до виробництва мікросхем. Водночас інженери зберігають контроль над технологічними рішеннями, але отримують результати аналізу значно швидше. Зрештою, як позиціонує компанія, це дасть змогу швидше випускати якіснішу електроніку та обчислювальну техніку, скорочуючи цикл від проєктування до серійного виробництва та мінімізуючи кількість дорогих експериментів безпосередньо на виробничій лінії.
