AI 驅動半導體晶圓廠轉型，工程師效率大躍進

先進晶片的需求持續攀升，其製造流程也變得日益複雜，同時容錯空間卻不斷縮小。

對工程師而言，理解製程變更的影響、材料與新步驟的交互作用，以及如何追溯缺陷的根本原因，都是半導體製造中關鍵且具挑戰性的環節。這些分析往往耗時數天，且在晶圓廠線上進行實體實驗既緩慢又昂貴。若對良率或製程品質做出錯誤判斷，將會帶來嚴重的後果。

人工智慧正在徹底改變半導體製造業，不僅影響了工程師的工作內容，更大幅提升了他們的工作速度。

加速運算縮短了模擬時間，讓工程師能在進行實體試驗前，評估更多的替代方案。

基於物理學的 AI 協助工程師預測製程行為，而無需每次都執行完整的模擬。

AI 代理則能處理過去需要數小時才能完成的一系列工程任務。

此外，數位分身讓團隊能在虛擬環境中測試變更，避免直接進行實體試驗。

這些能力共同描繪出「AI 定義晶圓廠」的願景：在這種半導體製造工廠中，AI 協助工程師在整個晶片製造生命週期中最佳化製程、提早發現問題並做出更好的決策。工程師能根據其專業知識指導工作並做出判斷，同時減少等待答案的時間。

加速運算不僅加快了單次計算的速度，更改變了工程師在投入實際操作前能夠測試的替代方案數量。

多物理場模擬能模擬熱傳導、電氣行為和機械應力等物理效應之間的交互作用。

多物理場軟體供應商 COMSOL 運用 NVIDIA cuDSS 函式庫，將半導體製造的這類模擬速度提升了高達 10 倍。這有助於工程師最佳化設備和製程、比較不同方案，並決定哪些變更值得進行實體測試。

Applied Materials 與 NVIDIA 正在合作加速原子級材料的發現和製程開發。透過整合 NVIDIA cuDSS，Applied 的 Ginestra 模擬平台運行速度比僅使用 CPU 的方法快上 10 倍。而藉由 NVIDIA PhysicsNeMo，Applied 的 ACE+ 多物理場平台在拓撲模擬方面更是提升了高達 35 倍的速度。

在某些情況下，加速運算不僅縮短了計算時間，更使其成為可能。計算光刻（定義電路圖案如何列印到矽晶圓上）涉及的計算量極大，在生產規模下僅靠 CPU 難以完成。西門子（Siemens）正將 NVIDIA cuLitho 整合到其 Calibre 光刻軟體中，使關鍵模擬工作負載的加速達到 17 倍。這擴展了工程師在晶圓列印前能夠驗證的範圍。

因此，更快的計算有助於研究人員探索影響下一代半導體製程的材料行為和反應途徑。

除了加速模擬之外，經過物理學訓練的 AI 還能預測材料和製程的行為，而無需每次都執行完整的模擬。

這種效益在即使使用加速硬體也成本高昂的複雜計算中，表現得最為顯著。

電漿（半導體蝕刻製程中使用的帶電氣體）就是一個例子。模擬電漿行為需要解出捕捉電氣、化學和熱力學過程如何交互作用的方程式，這使得重複模擬成本高昂。Lam Research 證明，NVIDIA PhysicsNeMo 框架可以在毫秒內預測電漿行為，而完整的模擬則需要數天，這為工程師提供了一種更快的方式來探索製程條件，而無需每次都重新運行完整的模型。

Applied Materials 利用基於 NVIDIA Omniverse 函式庫建構的數位分身，來模擬晶圓廠層級的佈局、產能、成本和製程控制的最佳化。

工程師將分析轉化為決策，例如修改設計、調查測試失敗、調整生產製程等等。

AI 代理可以協助執行這些決策之間的步驟。

評估哪個 AI 模型適用於特定任務就是一個例子：這是一個循序漸進的手動過程，在測試現場可能耗費數小時。

Advantest 正利用 NVIDIA NeMo Switchyard AI 代理來自動化這項選擇，將回應時間從數小時縮短至數分鐘。

數位分身讓團隊能在虛擬環境中模擬設備配置、佈局和製程變更，然後才進行實體試驗。這降低了實驗成本，尤其是在晶圓廠日益複雜且錯誤變更的風險越來越高的情況下。

這是一個使用 NVIDIA Omniverse 函式庫建構的擬真晶圓廠數位分身，用於在部署前模擬材料流動、找出瓶頸並驗證營運策略。（圖片由 Applied Materials 提供。）

Applied Materials 利用 NVIDIA Omniverse 函式庫來建構整個晶圓廠的物理精確數位分身。團隊可以模擬材料移動、識別瓶頸並評估佈局和操作策略，將虛擬實驗從單一製程擴展到整個工廠的運作方式。

半導體製造的未來在於連結這些能力：利用生產數據來訓練模型，再利用模型評估變更，然後將這些發現回饋給做出生產決策的工程師。

這就是「AI 定義晶圓廠」的承諾：AI 協助人們從每個生產週期中學習，並更快地根據這些知識採取行動。

NVIDIA 正與半導體產業領導者合作，共同推動晶片生命週期的創新。