英伟达：GPU加速仿真最高35倍，晶圆厂决策缩至分钟级

11月3日，英伟达发布文章称，人工智能正把半导体晶圆厂推向“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、测试与生产决策的节奏。

所谓加速仿真（accelerated simulation），就是借助GPU、并行计算、AI智能体模型等手段，让过去跑在CPU上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，不必先上昂贵又耗时的真实产线实验。

先进芯片需求往上走，制造工艺越来越复杂，良率和工艺质量的容错空间越压越窄。传统产线实验又慢又贵，工程师要分析一次工艺变更、材料反应或缺陷根因，常常得等上数天。英伟达文章介绍，AI的价值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比较方案、发现风险。

加速仿真追求的是在真正开造之前，更快拿到足够可靠的“虚拟实验”结果，以此减少试错、抬高良率、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、实验或产线数据中归纳物理规律的模型。温度、压力、材料、电磁场、等离子体这些变量之间的映射关系，它能学下来，进而快速预测复杂的物理过程。英伟达在半导体制造的文章中，把它列为加速晶圆厂仿真与决策的关键技术之一。

数字孪生（Digital Twin），是在虚拟环境中为物理对象、系统或流程建一个动态数字副本。它并非静态的3D模型，能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。英伟达在半导体制造的文章中，用数字孪生搭建整座晶圆厂的虚拟模型，让工程师在投产前发现瓶颈、验证布局和运营策略。

具体案例里，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，比只用CPU的方案最高快10倍；其ACE+多物理场平台借助PhysicsNeMo，形貌仿真加速最高达到35倍。

AI还能省掉重复仿真。半导体蚀刻中用的等离子体行为建模复杂、成本高，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，得等仿真、实验或数据分析跑完；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，现在几分钟就能出结果。

英伟达在文章中举了Advantest的例子：它用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，通常要判断：

• 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走完高精度物理仿真、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、挑出高风险方案，关键工艺变更仍要走高精度仿真、实验验证和工程师的专业审核。它把工程师从“长时间等计算结果”里解放出来，时间转去判断、验证和优化；决策链条上的等待变短了，但专业责任和最终把关还在工程师手里。

打个直观的比方：过去医生要等全套检查报告出来才能初步判断病情；现在AI好比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，仍由医生负责。

更关键的一步，是应用材料公司正基于英伟达Omniverse构建整座晶圆厂的数字孪生，能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，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，但等待答案的时间将大幅减少。