Партнёры Nvidia также сообщили об ускорении отдельных симуляций травления пластин до 30 раз и обработки изображений — до 50 раз 14 октября Nvidia представила библиотеку cuPotential на выставке SEMICON West. Она входит в программную платформу CUDA-X и предназначена для ускорения симуляций, используемых при разработке полупроводниковых материалов и производственных процессов. По данным компании, в первых испытаниях библиотека ускорила расчёты в 2–3 раза по сравнению с уже оптимизированными для графических процессоров программными решениями. Библиотека пока доступна в режиме раннего доступа, а её фактическая производительность зависит от конкретных моделей и методов расчёта. Атомные симуляции помогают моделировать взаимодействия, электрические силы и химические реакции, от которых зависят свойства материалов и точность изготовления микросхем. Чем сложнее структура чипа, тем больше вычислений требуется для оценки поведения материала на разных этапах производства. Так, компания Synopsys уже использует cuPotential для моделирования материалов. Другой партнёр Nvidia, Lam Research, планирует встроить библиотеку NanoVDB с открытым исходным кодом в свою систему моделирования производственных процессов SEMulator3D. Она предназначена для обработки трёхмерных объёмных данных, в том числе при моделировании травления кремниевых пластин. По заявлению Lam Research, отдельные такие расчёты могут ускориться до 30 раз. Источник изображения: Nvidia Lam Research также изучает применение платформы PhysicsNeMo, которая позволяет дополнять физические модели прогнозами искусственного интеллекта. По данным Nvidia, в отдельных исследованиях плазмы время расчёта удалось сократить с нескольких дней до миллисекунд. Другие партнёры тоже сообщили о существенных результатах: Synopsys заявила об ускорении отдельных расчётов в программе S-Device в 12 раз с помощью библиотеки cuDSS, а KLA — об ускорении обработки изображений до 50 раз относительно прежних версий на центральных процессорах. Подобные методы могут применяться при проверке поверхности кремниевых пластин и обнаружении мельчайших дефектов структуры. Эти показатели относятся к разным программам, задачам и исходным условиям, поэтому их нельзя считать результатами единого сравнительного теста. Ускорение отдельной симуляции само по себе не означает пропорционального роста выхода годных чипов, снижения себестоимости или увеличения производительности всей фабрики. Кроме того, вычислительные модели необходимо проверять экспериментами: более быстрый расчёт не обязательно точнее описывает реальный производственный процесс. Nvidia намерена развивать автоматизацию этих задач с помощью ИИ-агентов, которые смогут подготавливать симуляции, запускать вычисления, проверять и анализировать результаты. Это должно помочь ускорить разработку материалов и технологий производства полупроводников без необходимости каждый раз прибегать к физическим экспериментам.