英伟达：AI正把晶圆厂带进“AI定义工厂”阶段

11月3日，英伟达发布文章提出，人工智能正推动半导体晶圆厂迈入“AI定义工厂”阶段。加速仿真、学习型物理模型、AI智能体和数字孪生这几项技术，正在明显加快芯片制造中设计、测试与生产决策的速度。

所谓加速仿真（accelerated simulation），就是借助GPU、并行计算和AI智能体模型等手段，把过去靠CPU跑的工程仿真从数小时、数天缩短到数分钟乃至毫秒级。放到半导体制造里，工程师因此能更快验证工艺方案、预判缺陷风险，不必一上来就做昂贵又费时的真实产线实验。

据博文介绍，先进芯片需求上涨，制造工艺越来越复杂，良率和工艺质量的容错空间也在收窄。传统产线实验又慢又贵，工程师要分析工艺变更、材料反应或缺陷根因，常常得花上数天。AI的作用就在于，让工程师在投入真实试验之前，先在虚拟环境里更快地比对方案、识别风险。

加速仿真追求的是在真正制造之前，更快拿到足够可靠的“虚拟实验”结果，以此减少试错、提升良率、压低成本。

学习型物理模型（Learned physics models），指的是用机器学习从高精度仿真、实验或产线数据中习得物理规律的一类模型。温度、压力、材料、电磁场、等离子体等变量之间的映射关系会被它学进去，进而快速预测复杂的物理过程。

数字孪生（Digital Twin），是在虚拟环境中为物理对象、系统或流程建立动态数字副本。它并非静态的3D模型，能够接收实时或历史数据、模拟运行状态、预测结果，支撑“先在虚拟世界试、再到现实世界做”的决策方式。英伟达在关于半导体制造的报道中，用它为整座晶圆厂搭建虚拟模型，帮助工程师在投产前找出瓶颈、验证布局和运营策略。

具体案例方面，多物理场仿真软件COMSOL借助英伟达cuDSS，把半导体制造相关仿真的速度最高提升了10倍；西门子把cuLitho集成进Calibre光刻软件，关键仿真负载最高提速17倍。

应用材料公司（Applied Materials）的Ginestra平台集成cuDSS后，比仅用CPU的方案最高快10倍；其ACE+多物理场平台借助PhysicsNeMo，形貌仿真最高加速35倍。

AI还能省掉重复仿真。比如半导体蚀刻中用的等离子体行为建模，既复杂又费钱；Lam Research展示的结果是，PhysicsNeMo能在毫秒级预测等离子体行为，而完整仿真可能要花数天。

以往工程师要判断某个芯片制造方案行不行，得等长时间仿真、实验或数据分析。引入AI加速仿真、学习型物理模型和AI智能体之后，不少原本按“天”算的分析任务，可以缩到“分钟”级完成。

英伟达在报道中举了个例子：Advantest使用NeMo Switchyard AI智能体自动挑选合适的AI模型，把原本要数小时的任务压到了数分钟。

在先进晶圆厂里，工程师碰到的问题往往不是简单查个数据，通常得判断：

• 某种蚀刻参数会不会损伤晶圆；
• 某个材料或工艺变更会不会影响良率；
• 缺陷到底来自设备、材料还是工艺条件；
• 多个候选方案中，哪一个最值得投入真实产线验证。

传统流程一般要依次做高精度物理仿真、结果分析、方案比较，有时还得安排实际试验。一次完整仿真可能要数天，工程师很难快速探索大量备选方案。

AI则可以先帮工程师缩小范围、找出高风险方案；关键工艺变更依然要经过高精度仿真、实验验证和工程师的专业审核。

打个直观的比方：过去医生要等全套检查报告出来，才能对病情做初步判断；现在AI相当于先快速给出多项筛查结果和可能原因，医生可以马上决定优先做哪些关键检查。速度快了，但最终诊断和治疗决定，还是由医生负责。

更关键的是，Omniverse能构建整座晶圆厂的数字孪生，在虚拟环境中模拟物料流动、发现瓶颈、验证布局与运营策略，然后再决定是否在真实产线落地。

英伟达称，这一闭环会让工厂从每个生产周期中学习，并更早采取行动；工程师仍负责专业判断与最终决策，只是等待答案的时间将大幅减少。