Az AI felgyorsítja a félvezetőgyárak mérnöki munkáját
Az AI a félvezetőgyártásban is felgyorsítja a szimulációkat, a hibakeresést és a gyártási változtatások tesztelését. Az NVIDIA szerint a technológiák együtt olyan gyárakat hoznak létre, ahol a mérnökök gyorsabban hozhatnak döntéseket, miközben kevesebb időt töltenek várakozással.
- A COMSOL félvezetőipari többfizikás szimulációi akár tízszer gyorsulhatnak a cuDSS használatával.
- A Siemens Calibre szoftvere egyes litográfiai feladatoknál akár 17-szeres gyorsulást érhet el a cuLitho révén.
- A PhysicsNeMo milliszekundumok alatt jelezheti előre a plazma viselkedését a Lam Research bemutatója szerint.
- Az Advantest AI-ügynökei órákról percekre csökkentik a modellválasztás válaszidejét.
- Az Applied Materials digitális ikrekkel teszteli a gyárak elrendezését és működési stratégiáit.
Rövidebb szimulációs ciklusok
A fejlett chipek iránti kereslet növekedésével a gyártási folyamatok is összetettebbé válnak, miközben csökken a hibákra rendelkezésre álló mozgástér. Az NVIDIA november 3-i közleménye szerint egy folyamatváltoztatás hatásának elemzése, az anyagok és az új gyártási lépések kölcsönhatásának vizsgálata, valamint a hibák gyökérokának feltárása akár napokig is eltarthat. A gyártósoron végzett fizikai kísérletek lassúak és költségesek, ezért egy hibás döntés a kihozatalról vagy a folyamat minőségéről komoly következményekkel járhat.
A gyorsított számítás lehetővé teszi, hogy a mérnökök több alternatívát vizsgáljanak meg, mielőtt fizikai próbákba kezdenének. A COMSOL a NVIDIA cuDSS könyvtárával akár tízszeresére gyorsítja a félvezetőgyártási többfizikás szimulációkat. Az Applied Materials és az NVIDIA együttműködésében a Ginestra szimulációs platform CPU-alapú megoldásokhoz képest szintén akár tízszer gyorsabban fut, az Applied ACE+ többfizikás platformja pedig az NVIDIA PhysicsNeMo használatával akár 35-ször gyorsabb topográfiai szimulációkat kínál.
A Siemens a NVIDIA cuLitho technológiáját építi be Calibre litográfiai szoftverébe. Az NVIDIA szerint ez egyes szimulációs feladatoknál akár 17-szeres gyorsulást biztosít, így több ellenőrzés végezhető el, mielőtt a wafer nyomtatásra kerül.
Fizikai alapú AI és mérnöki ügynökök
A fizikai törvényeken betanított AI-modellek teljes szimuláció nélkül is képesek lehetnek előre jelezni, hogyan viselkednek az anyagok és a folyamatok. Az NVIDIA példaként a plazmát említi, amelyet a félvezetők maratási folyamataiban használnak. A plazma viselkedésének modellezése elektromos, kémiai és hőfizikai folyamatokat összekapcsoló egyenleteket igényel, ezért az ismételt szimuláció költséges.
A Lam Research bemutatója szerint a NVIDIA PhysicsNeMo milliszekundumok alatt képes előre jelezni a plazma viselkedését, miközben a teljes szimuláció napokig tarthat. Ez lehetővé teszi a mérnökök számára, hogy gyorsabban vizsgálják a különböző folyamatfeltételeket. Az Applied Materials NVIDIA Omniverse könyvtárakra épülő digitális ikreket használ a gyárszintű elrendezés, az áteresztőképesség, a költségek és a folyamatvezérlés szimulálására.
Az AI-ügynökök a döntések közötti mérnöki lépéseket is automatizálhatják. Az Advantest a NVIDIA NeMo Switchyard ügynökeivel automatizálja annak kiválasztását, hogy egy adott feladathoz melyik AI-modellt alkalmazza. A vállalatnál ez a válaszidőt órákról percekre csökkenti.
Digitális ikrek a gyártósor előtt
A digitális ikrek virtuális környezetben teszik lehetővé a berendezések konfigurációinak, a gyári elrendezéseknek és a folyamatváltoztatásoknak a tesztelését. Az NVIDIA szerint ez mérsékelheti a kísérletezés költségeit, különösen az egyre összetettebb gyárakban, ahol egy rosszul megválasztott módosítás kockázata is nagyobb.
Az Applied Materials NVIDIA Omniverse könyvtárain alapuló, fizikailag pontos digitális ikreket készít teljes félvezetőgyárakról. Ezekkel a csapatok szimulálhatják az anyagok mozgását, azonosíthatják a szűk keresztmetszeteket, valamint ellenőrizhetik az elrendezéseket és a működési stratégiákat még a bevezetés előtt.
Az NVIDIA az így összekapcsolt technológiákat AI-defined fabnak, vagyis AI-alapú gyárnak nevezi. A vállalat elképzelése szerint a termelési adatok táplálják a modelleket, a modellek értékelik a változtatásokat, az eredmények pedig visszakerülnek a mérnökökhöz. A döntéseket továbbra is a mérnökök hozzák meg a saját szakértelmükre támaszkodva, miközben gyorsabban tanulhatnak az egyes gyártási ciklusokból.
NVIDIA: AI Is Changing How Semiconductor Fabs Work — and Engineers Are Moving Faster Because of It
