Nvidia в 2–3 раза ускорит на GPU расчёты взаимодействия атомов и молекул при производстве чипов

14 октября на выставке SEMICON West компания Nvidia представила библиотеку cuPotential. Она входит в программную платформу CUDA-X и создана для ускорения симуляций, которые применяются при разработке полупроводниковых материалов и техпроцессов. По словам компании, в первых тестах библиотека обеспечила прирост скорости расчётов в 2–3 раза в сравнении с решениями, которые уже оптимизированы под графические процессоры. Сейчас cuPotential доступна только в рамках раннего доступа, а реальная производительность будет зависеть от конкретных моделей и расчётных методов.

Атомные симуляции позволяют моделировать взаимодействия частиц, электрические силы и химические реакции, определяющие свойства материалов и точность производства микросхем. Чем сложнее архитектура чипа, тем больше вычислительных ресурсов нужно, чтобы оценить поведение материала на разных стадиях изготовления. Синопсис уже применяет cuPotential для моделирования материалов. Другой партнёр Nvidia, компания Lam Research, намерена интегрировать open-source библиотеку NanoVDB в свою систему моделирования техпроцессов SEMulator3D. Библиотека предназначена для работы с трёхмерными объёмными данными, в том числе при симуляции травления кремниевых пластин. По заявлению Lam Research, некоторые подобные расчёты могут выполняться до 30 раз быстрее.

Кроме того, Lam Research исследует возможности платформы PhysicsNeMo, которая позволяет дополнять физические модели прогнозами на основе искусственного интеллекта. По данным Nvidia, в ряде исследований плазмы время расчёта сократилось с нескольких суток до миллисекунд. Достижения заявили и другие партнёры: Synopsys сообщила, что отдельные расчёты в программе S-Device стали быстрее в 12 раз благодаря библиотеке cuDSS, а KLA — что обработка изображений ускорилась до 50 раз по сравнению с прежними версиями, работавшими на центральных процессорах. Подобные подходы могут использоваться для контроля поверхности кремниевых пластин и выявления мельчайших дефектов структуры.

Приведённые цифры относятся к разным программам, задачам и исходным условиям, поэтому их нельзя рассматривать как итог единого сравнительного тестирования. Более быстрая симуляция сама по себе не гарантирует пропорционального роста выхода годных чипов, снижения себестоимости или повышения производительности всей фабрики. К тому же вычислительные модели необходимо сверять с экспериментальными данными: быстрый расчёт не всегда точнее отражает реальный производственный процесс.

Nvidia планирует развивать автоматизацию подобных задач с помощью ИИ-агентов, которые смогут подготавливать симуляции, запускать расчёты, а также проверять и анализировать результаты. По замыслу компании, это поможет быстрее создавать новые материалы и технологии производства полупроводников, не прибегая каждый раз к физическим экспериментам.

Источник: iXBT