英伟达展示 AI 晶圆厂进展：形貌仿真最高提速 35 倍，工艺分析缩至分钟级

据 IT之家 11 月 4 日报道，英伟达在 11 月 3 日发布的文章中介绍，GPU 加速仿真、学习型物理模型、AI 智能体与数字孪生，正被用于半导体制造的设计、测试和生产决策。其披露的案例中，特定形貌仿真最高提速 35 倍，部分原本需要数天的分析可缩短至分钟级。英伟达将这一方向称为“AI 定义工厂”：先在虚拟环境中筛选方案，再把值得验证的选择带到真实产线。

最高 35 倍提速，分别对应哪些任务？

先进芯片制造工艺日益复杂，材料、温度、压力以及等离子体等因素相互影响。工程师判断工艺变更是否可行，往往需要等待高精度仿真或实际试验。加速仿真的作用，是借助 GPU、并行计算及 AI 方法，缩短这段等待时间，而不是直接跳过验证。

据英伟达介绍，多家半导体软件和设备企业已将相关技术用于具体负载：

• COMSOL 借助 cuDSS，使半导体制造相关仿真最高提速 10 倍。
• 西门子将 cuLitho 集成到 Calibre 光刻软件，关键仿真负载最高提速 17 倍。
• 应用材料公司的 Ginestra 平台集成 cuDSS 后，相比仅使用 CPU 的方案最高快 10 倍；其 ACE+ 多物理场平台借助 PhysicsNeMo，形貌仿真最高提速 35 倍。
• Lam Research 展示了使用 PhysicsNeMo 在毫秒级预测等离子体行为的能力，而完整仿真可能需要数天。

需要注意，这些倍数对应不同软件和特定任务，并不代表整座晶圆厂的生产效率同比提升。其中，学习型物理模型通过学习高精度仿真、实验或产线数据中的变量关系，快速预测物理过程，也不能简单等同于每次都重新完成完整仿真。

从算得更快，到更快决定下一步

AI 的另一项作用，是帮助工程师组织分析流程。来源提到，Advantest 使用 NeMo Switchyard AI 智能体自动选择合适的 AI 模型，将原本需要数小时的任务压缩到数分钟。

对晶圆厂而言，实际价值不仅是缩短一次计算，还在于更快比较候选工艺、排查缺陷原因，并识别哪些方案值得投入真实试验。等待减少后，工程师可以将更多精力用于判断和优化。不过，关键工艺变更仍需高精度仿真、实验验证与专业审核，快速预测不等于最终结论。

产业解读：数字孪生把优化范围扩展到整厂

应用材料公司还在基于英伟达 Omniverse 构建晶圆厂数字孪生，用虚拟模型模拟物料流动，发现瓶颈，并验证布局与运营策略。与静态三维展示不同，这类模型面向工厂运行分析，涉及吞吐量、成本和工艺控制等问题。

这意味着，AI 在芯片制造中的角色正从单项计算工具，向工艺与运营决策辅助延伸。但现有案例主要说明特定环节具备提速潜力，尚不能据此推导全厂良率或成本的具体改善幅度。对产业而言，后续值得关注的是：这些模型能否在真实生产条件下持续保持可靠，并把更快的虚拟试验转化为可验证的制造收益。