Nvidia amplia l’impiego dell’intelligenza artificiale nella progettazione e produzione dei semiconduttori con cuPotential, una nuova libreria CUDA-X per simulare le interazioni fra atomi e molecole. Nell’annuncio del 14 ottobre, il gruppo presenta anche gli utilizzi delle proprie tecnologie da parte di Synopsys, Cadence, Lam Research, KLA, Applied Materials e altri operatori della filiera.
Il comunicato Nvidia sulle AI-defined fabs descrive fabbriche nelle quali l’IA aiuta gli ingegneri a ottimizzare processi, individuare problemi e valutare modifiche prima dell’applicazione in produzione. Le prestazioni indicate riguardano attività specifiche e hanno livelli di maturità differenti: test iniziali, benchmark, integrazioni previste e strumenti già disponibili.
cuPotential: simulazioni atomiche più rapide
cuPotential fornisce funzioni accelerate su GPU che gli sviluppatori possono integrare nel software esistente per modellare forze elettriche e altre interazioni fra grandi quantità di atomi. Questo lavoro serve a studiare materiali e processi di fabbricazione.
Secondo Nvidia, nei test in accesso anticipato la libreria accelera ulteriormente di 2–3 volte flussi già ottimizzati per GPU. Synopsys è fra i primi utilizzatori. Il riferimento è quindi un software già accelerato: non un confronto generale fra una fabbrica tradizionale e una interamente automatizzata.
Dalla progettazione al packaging
Synopsys impiega cuPotential, cuEST e cuDSS nelle simulazioni dei semiconduttori. Nvidia riporta risultati iniziali di QuantumATK che mostrano un potenziale aumento di velocità fino a 30 volte con cuEST e benchmark S-Device con accelerazioni di 12 volte mediante cuDSS.
Cadence usa il calcolo accelerato e i modelli aperti Nemotron nella progettazione e simulazione. Fra gli esempi citati, AuraStack AI Super Agent ottimizza il packaging avanzato per calore e sollecitazioni otto volte più rapidamente con cuDSS e Cadence Celsius. Sono confronti sui flussi di lavoro descritti dal comunicato; non dimostrano un’identica riduzione dei tempi complessivi necessari per portare un chip sul mercato.
Lam Research e KLA: processo e ispezione
Lam Research intende integrare la libreria aperta NanoVDB nella piattaforma SEMulator3D. L’azienda prevede accelerazioni fino a 30 volte su alcuni modelli di incisione dei wafer. La funzione è attesa entro fine 2026: il beneficio prospettato non va presentato come un’adozione già completata nell’intera base produttiva.
Nella parte dedicata ai controlli, Nvidia segnala che KLA ha contribuito a un nuovo kernel NPP NCC per l’elaborazione delle immagini. Il kernel ha raggiunto prestazioni 50 volte superiori a precedenti versioni CPU, comparabili con le implementazioni ottimizzate manualmente da KLA. Il dato misura una funzione di calcolo, non il numero di chip vendibili prodotti.
Applied Materials utilizza Omniverse e librerie CUDA-X nella ricerca sui materiali, nello sviluppo dei processi e nell’ottimizzazione degli impianti. Il comunicato indica simulazioni delle camere fino a 35 volte più rapide e gemelli digitali, cioè rappresentazioni virtuali della fabbrica, per studiare disposizione degli spazi e flussi dei materiali.
Il possibile impatto economico e i limiti da verificare
Per l’analisi redazionale, simulazioni più rapide possono permettere agli ingegneri di provare più alternative nello stesso tempo o individuare prima un problema. Un’ispezione più efficiente può aiutare a ridurre scarti e rilavorazioni. Il vantaggio economico dipende però dal ruolo di quel compito nel processo completo e dai costi necessari per integrare software, dati e capacità di calcolo.
Un calcolo 30 volte più veloce non rende automaticamente 30 volte più produttiva una fabbrica: restano tempi fisici di lavorazione, attrezzature, validazione e altri vincoli. L’annuncio non quantifica un risparmio complessivo o un incremento uniforme della capacità per tutti i partner.
cuPotential è disponibile in accesso anticipato, NanoVDB è aperta all’interno di OpenVDB e NPP è disponibile attraverso CUDA Toolkit. Il prossimo passaggio da osservare è il trasferimento dei risultati dei test a impieghi operativi ripetibili, con misure di costo, qualità e resa su processi reali.
