AI 正在改变半导体晶圆厂的工程工作

对先进芯片的需求正在上升，制造工艺越来越复杂，出错余地也在缩小。

对于工程师来说，了解工艺变更会如何表现、材料会如何与新步骤相互作用，以及缺陷如何追溯到根因，是半导体制造中至关重要且具有挑战性的步骤，而这些分析可能需要数天。晶圆厂产线上的实体实验缓慢且昂贵，对良率或工艺质量作出错误判断会带来实际后果。

AI 正在改变半导体制造，影响工程师能够做什么，以及完成工作的速度。

加速计算缩短了仿真时间，使工程师在投入实体试验前能够评估更多备选方案。

基于物理的 AI 帮助工程师预测工艺表现，而不必每次都运行完整仿真。

AI 智能体处理过去需要耗费数小时的一系列工程任务。

数字孪生则让团队在进行实体试验前，先在虚拟环境中测试变更。

这些能力共同描绘了一座 AI 定义的晶圆厂：在这样的半导体制造工厂中，AI 帮助工程师优化工艺、更早发现问题，并在芯片制造的整个生命周期中作出更好的决策。工程师根据自身专业知识主导工作并作出决策，同时减少等待答案所花的时间。

观看 NVIDIA AI 如何改变芯片设计与制造的视频。

更短的仿真周期改变了工程师能探索的范围

加速计算不仅加快单项计算，还改变了工程师在投入实施前能够测试的备选方案数量。

多物理场仿真对传热、电气行为和机械应力等物理效应之间的相互作用进行建模。

多物理场软件供应商 COMSOL 使用 NVIDIA cuDSS 库，将半导体制造此类仿真加速最高 10 倍。这有助于工程师优化设备和工艺、比较备选方案，并决定对哪些变更进行实体测试。

应用材料公司与 NVIDIA 正在合作，加快原子尺度材料发现和工艺开发。通过集成 NVIDIA cuDSS，应用材料的 Ginestra 仿真平台运行速度比仅使用 CPU 的方法最高快 10 倍。借助 NVIDIA PhysicsNeMo，应用材料的 ACE+ 多物理场平台提供的形貌仿真速度最高快 35 倍。

在某些情况下，加速不仅缩短了计算时间，还使计算本身成为可能。计算光刻用于确定电路图案如何印制到硅片上，其计算量过大，无法在生产规模下由 CPU 完成。西门子正在将 NVIDIA cuLitho 集成到其 Calibre 光刻软件中，为关键仿真工作负载提供最高 17 倍加速。这扩大了工程师在晶圆印制前能够验证的范围。

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表现

除了加速仿真之外，基于物理训练的 AI 还可以预测材料和工艺的表现，而无需每次都运行完整仿真。

这种收益在复杂计算中最为明显，因为即使使用加速硬件，这些计算的成本也很高。

等离子体就是一个例子：它是在半导体刻蚀工艺中使用的带电气体。对等离子体行为建模需要求解描述电、化学和热过程如何相互作用的方程，因此重复仿真成本高昂。Lam Research 展示了 NVIDIA PhysicsNeMo 框架能够在毫秒内预测等离子体行为，而完整仿真需要数天。这为工程师提供了一种更快的方式来探索工艺条件，无需每次都重新运行完整模型。

应用材料使用基于 NVIDIA Omniverse 库构建的数字孪生，模拟晶圆厂在布局、吞吐量、成本和工艺控制方面的优化。

智能体处理决策之间的步骤

工程师将分析转化为决策，例如修改设计、调查测试失败、调整生产工艺等。

AI 智能体可以帮助执行这些决策之间的步骤。

评估应该将哪个 AI 模型用于特定任务就是一个例子：这是一个顺序执行的人工过程，在测试现场可能耗费数小时。

Advantest 正在使用 NVIDIA NeMo Switchyard AI 智能体自动进行这一选择，将响应时间从数小时缩短至数分钟。

在变更到达产线前进行测试

数字孪生让团队在投入实体试验前，在虚拟环境中模拟设备配置、布局和工艺变更。这降低了实验成本；随着晶圆厂变得更加复杂、错误变更的代价越来越高，这一点尤其重要。

这座采用 NVIDIA Omniverse 库构建的照片级逼真晶圆厂数字孪生，用于在部署前模拟物料流动、发现瓶颈并验证运营策略。图片由应用材料提供。

应用材料使用 NVIDIA Omniverse 库构建整个晶圆厂在物理层面准确的数字孪生。团队可以模拟物料移动、识别瓶颈，并评估布局和运营策略，将虚拟实验从单个工艺扩展到整个工厂如何运作。

相互连接的循环

半导体制造的未来在于连接这些能力：利用生产数据为模型提供信息，使用模型评估变更，再将这些发现反馈给作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，并更早依据这些知识采取行动。

了解 NVIDIA 如何与半导体领域的领先企业合作，覆盖芯片生命周期。

来源：Blogs