Миллисекунды вместо дней: Nvidia ускорит все этапы производства чипов с помощью ИИ 3dnews.ru
За выпуском массового полупроводникового продукта стоит огромный пласт инженерной работы. На этапе проектирования техпроцессов и чипов сотрудники НИОКР принимают решения, которые позже скажутся как на характеристиках чипов, так и на уровне брака. ИИ даёт возможность уменьшить число инженерных ошибок и рассмотреть больше удачных вариантов с меньшими затратами времени.
Источник изображения: ИИ-генерация ChatGPT/3DNews
Для помощи инженерам на всех этапах внедрения и производства чипов Nvidia представила концепцию так называемых AI-defined fab — «фабрик полупроводников, управляемых искусственным интеллектом». Речь идёт не о полностью автономных предприятиях (хотя когда-то будет именно так), а о внедрении ИИ в проектирование технологических процессов, моделирование физических явлений, контроль качества и управление производством.
По замыслу компании, ускоренные вычисления, модели машинного обучения, обученные на физических законах нашего мира, ИИ-агенты и цифровые двойники позволят инженерам быстрее проверять технологические решения, выявлять потенциальные причины брака и сокращать количество дорогостоящих экспериментов непосредственно на производственной линии. «Цифра» вполне способна сэкономить дни и недели реальных экспериментов и не допустит фатальных ошибок.
Одно из направлений — это ускорение многопрофильного физического моделирования, учитывающего одновременно теплопередачу, электрические процессы и механические напряжения. Так, компания COMSOL использует библиотеку Nvidia cuDSS для ускорения таких расчётов при разработке полупроводникового оборудования и технологических процессов — заявленный прирост производительности способен достигать десятикратного размера.
Сотрудничество Nvidia с Applied Materials охватывает моделирование материалов на атомном уровне: платформа Ginestra, использующая cuDSS, работает до десяти раз быстрее решений, опирающихся только на центральные процессоры, а система ACE+ с применением PhysicsNeMo ускоряет моделирование формирования рельефа поверхности до 35 раз. Ещё один пример — литография: Siemens интегрирует библиотеку cuLitho в программное обеспечение Calibre, получая ускорение отдельных вычислительных задач до 17 раз.
Другой подход заключается в использовании ИИ-моделей, обученных на результатах физических симуляций. Это позволяет прогнозировать поведение технологических процессов без повторного выполнения полного вычислительного моделирования — исключительно на предсказании, что экономит на проведении дорогостоящих проверок на действующих производственных линиях.
Например, компания Lam Research применила Nvidia PhysicsNeMo для прогнозирования поведения плазмы, используемой при плазменном травлении кремниевых пластин. Такие расчёты требуют учёта взаимодействия электрических, химических и тепловых процессов. По данным Nvidia, модель способна выдавать прогноз за миллисекунды вместо нескольких дней, необходимых как для полноценного реального эксперимента, так и для полного повторного расчёта. Отдалённо это можно представить себе даже как интуицию, хотя в применении к ИИ говорить об этом сильно рано.
ИИ-агенты и цифровые двойники дополняют эту систему на уровне тестирования и управления производством. Компания Advantest использует агентов Nvidia NeMo Switchyard для автоматического выбора подходящих ИИ-моделей при анализе результатов испытаний полупроводников: по утверждению Nvidia, это сокращает время выполнения соответствующих операций с нескольких часов до нескольких минут.
Компания Applied Materials, в свою очередь, создаёт с помощью библиотек Nvidia Omniverse цифровые двойники целых фабрик. В виртуальной среде можно моделировать перемещение материалов, расположение оборудования, производительность участков и возможные узкие места, проверяя изменения до их внедрения на реальном предприятии.
По представлению Nvidia, в совокупности продвигаемые процессы по передаче ряда ключевых инженерных обязанностей по управлению фабриками искусственному интеллекту создают основу для нового подхода к производству микросхем, при котором инженеры сохраняют контроль над технологическими решениями, но получают результаты анализа значительно быстрее. В конечном итоге это позволит быстрее выпускать более лучшую и качественную электронику и компьютеры.
Источник:
Голоса участников
За 5
Против 0
Пока нет голосов
Комментарии 3
Войдите, чтобы участвовать в обсуждении.
Заголовок опять про миллисекунды, а по сути речь о переборе вариантов в симуляции — штука полезная, но упирается она не в скорость счёта, а в верификацию: модель, даже обученную на физике, всё равно надо сверять с фактическими замерами на линии, а это недели и месяцы, и никакой ИИ этот этап не отменяет. По опыту скажу: когда нам на подстанции внедряли «умный» прогноз нагрузок, выигрыш был реальный, но только после того, как полгода набирали архив телеметрии и калибровали модель по факту. Цифровой двойник без актуальных данных — это красивая презентация, а не инструмент, и ответственность за брак всё равно останется на инженере, который подписывает решение. Хотелось бы увидеть не концепцию, а конкретный кейс: процент выхода годных до и после, на какой номенклатуре и по какой методике считали.
Сокращение цикла разработки техпроцесса — это в первую очередь про капзатраты фабрик, а не про скорость выхода новых чипов: если ИИ-моделирование реально снижает число итераций, часть расходов на НИОКР перетечёт в софт и ускорители. Для инвестора анонс сам по себе мало значит, важно, начнут ли TSMC и Samsung менять структуру бюджета, а не только говорить об этом. Пока это концепция, и до момента, когда её можно будет посчитать в отчётности, может пройти не один цикл.
Так, значит если ИИ ускорит проектирование чипов, может и видяхи наконец перестанут стоить как чугунный мост? А то я в ранкеде уже на старом железе молюсь на каждый тик. Держу ставку: сначала это всё равно прикрутят к серверным GPU, а до нашей розницы дойдёт в последнюю очередь 🙂