IT 之家 11月4日消息，輝達於11月3日發布文章稱，人工智能正在推動半導體晶圓廠進入“AI 定義工廠”階段：通過加速仿真、學習型物理模型、AI 智能體和數字孿生，正在顯著提速芯片製造中的設計、測試與生產決策。
加速仿真（accelerated simulation）指的是利用GPU、並行計算、AI智能體模型等技術，將傳統上依賴CPU的工程仿真時間從數小時、數天壓縮到數分鐘甚至毫秒級的過程。在半導體製造中，這讓工程師能更快地測試工藝方案、預測缺陷風險，而无需先進行昂貴且耗時的實際生產線實驗。
IT之家的博文介绍指出，隨著先進芯片需求的上升，製造工藝變得越來越複雜，良率和工藝品質的容錯空間不斷縮小。傳統的生產線實驗既慢又費錢，工程師分析工藝變更、材料反應或缺陷的根本原因，往往需要數天的時間。AI的價值在於，讓工程師在投入真實實驗之前，能夠在虛擬環境中更快地比較各種方案、發現風險。
加速仿真的目標是在真正製造之前，更快地獲得足夠可靠的「虛擬實驗」結果，從而減少試錯、提高良率並降低成本。
學習型物理模型（Learned physics models）是指運用機器學習從高精度仿真、實驗或產線數據中學習物理規律的模型。它會學習溫度、壓力、材料、電磁場、等离子體等變量之間的映射關係，從而快速預測複雜的物理過程。輝達在半導體製造報導中，將其視為加速晶圓廠仿真與決策的關鍵技術之一。
數字孿生（Digital Twin）指的是在虛擬環境中創建物理對象、系統或流程的動態數字副本。它不僅是靜態的3D模型，更能接收實時或歷史數據、模擬運行狀態、預測結果，並支持「先在虛擬世界試驗、再在現實世界實施」的決策方式。在輝達關於半導體制造的報道中，數字孿生被用來構建整座晶圓廠的虛擬模型，幫助工程師在投產前發現瓶頸、驗證佈局和運營策略。
在具體案例中，多物理場仿真軟件 COMSOL 借助 輝達 cuDSS，將半導體製造相關仿真的速度提升最高 10 倍；西門子則將 cuLitho 集成到 Calibre 光刻軟件中，關鍵仿真負載的最高提速達 17 倍。
應用材料公司（Applied Materials）的Ginestra平臺在整合cuDSS後，較僅使用CPU的方案快最高10倍，其ACE+多物理場平臺借助PhysicsNeMo實現最高35倍的形貌仿真加速。
AI 也能減少重複仿真的需要。例如，半導體蝕刻中使用的等離子體行為建模複雜、成本高昂；Lam Research 顯示，PhysicsNeMo 可以在毫秒級別預測等離子體行為，而完整的仿真可能需要數天時間。
過去工程師為了判斷某個芯片製造方案是否可行，需要等待長時間的仿真、實驗或數據分析；引入 AI 加速仿真、學習型物理模型和 AI 智能體後，許多原本以「天」計的分析任務，可以壓縮到「分鐘」級完成。
輝達在報導中舉例，Advantest使用NeMo Switchyard AI智能體自動選擇合適的AI模型，將原本需要數小時的任務壓縮到數分鐘。
在先進的晶圓廠中，工程師面對的問題往往不是簡單的查詢數據，通常需要判斷：
- 某種蝕刻參數是否會損傷晶圓；
- 某個材料或工藝的變更是否會影響良率；
- 缺陷究竟來自設備、材料還是工藝條件；
- 在多個候選方案之中，哪一個最值得投入實際生產線進行驗證？
傳統流程通常需要依次進行高精度物理仿真、結果分析、方案比較，有時還需要安排實際試驗。一次完整的仿真可能需要數天時間，工程師因此難以快速探索大量備選方案。
而 AI 可以先幫助工程師縮小範圍、發現高風險方案，關鍵工藝變更仍需要高精度仿真、實驗驗證和工程師的專業審核。 AI 將工程師從「長時間等待計算結果」中解放出來，讓他們把時間用於判斷、驗證和優化；決策鏈條中的等待時間縮短了，但專業責任和最終把關仍在工程師手中。
直觀類比來說，過去就像醫生必須等到完整的檢查報告出來後才能初步判斷病情；現在 AI 相當於先快速給出多項篩查結果和可能的病因，醫生就可以立刻決定優先進行哪些關鍵檢查。速度變快了，但最終的診斷和治療決定，仍然由醫生負責。
更重要的是，應用材料公司正基於輝達 Omniverse 构建整座晶圓厂的數字孿生，可在虛擬環境中模擬物料流動、發現瓶頸並驗證佈局與運營策略，再決定是否在真實產線上實施。
輝達表示，這一閉環將使工廠能從每一個生產週期中學習，並更早地採取行動；工程師仍負責專業判斷與最終決策，但等待答案的時間將大幅減少。
