英伟达(Nvidia)正式勾勒出一种“AI定义的半导体制造模型”,该模型融合了加速计算、基于物理的AI、AI代理及数字孪生技术,旨在利用AI工具大幅压缩芯片制造过程中的工程分析时间。

在传统模式下,评估工艺变化、材料相互作用及缺陷往往耗时数天,且生产线上的物理实验成本高昂。随着先进芯片需求激增及制造工艺日益复杂,良率或工艺质量的微小失误都可能引发严重的商业后果,半导体制造商因此面临巨大压力。

加速仿真与计算光刻

该模型的核心在于通过加速计算实现更快速的仿真,使工程师能在实体生产前测试更多替代方案。多物理场仿真作为主要应用场景,用于模拟热传递、电气行为和机械应力等相互作用。

软件提供商COMSOL利用英伟达cuDSS库,将半导体制造仿真速度提升了多达10倍。应用材料公司(Applied Materials)也与英伟达展开合作,其Ginestra仿真平台集成cuDSS后,运行速度较纯CPU方法快多达10倍;其ACE+多物理场平台结合Nvidia PhysicsNeMo,可实现高达35倍的地形仿真加速。

针对计算强度极高的计算光刻环节,西门子(Siemens)正将其Calibre光刻软件与英伟达cuLitho集成。英伟达表示,这在关键仿真工作负载上实现了高达17倍的加速,为工程师在晶圆打印前验证设计提供了更多机会。

基于物理的AI与自动化代理

英伟达还提出了基于物理的AI模型,用于预测材料和制造工艺行为,无需每次运行完整仿真。这对于即使在加速硬件上仍算力求高的任务尤为显著。

以等离子体建模为例,Lam Research展示了Nvidia PhysicsNeMo框架可在毫秒级时间内预测等离子体行为,而完整仿真则需数天。这使工程师能更快探索工艺条件,无需重复运行完整模型。

在自动化方面,AI代理可接管传统由人工处理的工程任务序列。英伟达指出,Advantest正使用Nvidia NeMo Switchyard AI代理自动化AI模型选择过程,将响应时间从数小时缩短至数分钟。

数字孪生与闭环工作流

数字孪生是该制造模式的另一支柱。应用材料公司利用Nvidia Omniverse构建整个制造工厂的物理精确数字孪生体,用于模拟物料流动、识别瓶颈,并评估布局、吞吐量、成本及工艺控制。

英伟达强调,当这些技术在闭环工程循环中链接时,效用最大化。生产数据反哺仿真和AI模型,帮助工程师在车间决策前测试替代方案。此举旨在缩短半导体制造反馈周期,协助业界在不完全依赖缓慢且昂贵的物理试验前提下,管理日益复杂的工艺流程。