推动半导体在材料工程和制造领域的创新

随着 AI 工作负载的增加，爆炸性的计算需求正在推动半导体行业达到前所未有的性能目标。在快速变化的 AI 硬件周期中，即使是微小的延迟也会造成巨大的财务影响。与此同时，从芯片级优化到系统级工程的转变正在加剧散热和功耗方面的挑战。

满足这些需求需要突破设备堆栈中的材质深度。这需要超越传统方法的先进建模和仿真。

本文将探讨应用材料公司和 NVIDIA 如何通过端到端数字开发模型应对这一挑战，该模型将应用材料公司在材料工程和半导体制造领域的领先地位与 NVIDIA CUDA-X 库相结合。从原子规模的发现和工程到工艺开发，再到工厂优化，这种协作可加速整个创新流程。

NVIDIA 和应用材料公司如何加速半导体创新？

在前端，GPU 加速的仿真扩展了设计空间，使材料工程师在开发新一代设备方面拥有强大的优势。中间，基于物理性质的建模可加快腔室和配方开发速度。在后端，AI 驱动的数字孪生可在更改影响生产车间之前预测工厂性能。通过将这些数据集于一身，我们可以获得源源不断的见解，从而加快从原子到晶圆厂的进程。

推进原子级材质建模

随着几何缩放速度的减缓，先进半导体领域的进展越来越依赖于电介质、导体和其他薄膜的材料创新。在原子层面，即使是材料结构和接口的微小变化也会对性能、可靠性和产量产生显著影响。仅通过物理实验来确定这些效应速度太慢且成本高昂。

“应用材质 ( Applied Materials) ”通过 Ginestra 解决了这一限制，Ginestra 是一个基于物理性质、以缺陷为中心的仿真平台，将材料属性和缺陷与预测的设备性能联系起来。其中一个关键应用是高 K 金属栅极 (HKMG) 堆栈，该堆栈安装在 GAA 晶体管和其他先进的 3D 设备中，可将五种不同的材料封装到一个宽度仅为人类头发 1/ 10000 的空间中。通过将计量数据与第一性原理模拟相结合，Ginestra 直接根据原子级材料特性预测设备的可变性和可靠性。

过去，实现所需的仿真保真度需要大量的计算时间，这限制了工程师探索材料领域的广泛性。通过将NVIDIA cuDSS ( CUDA-X 直接稀疏求解器) 集成到 Ginestra 中，应用材料公司可加速这些模拟的核心稀疏线性代数，在不牺牲准确性的情况下，将速度提高至仅使用 CPU 的方法的 10 倍。现在，工程师可以跨材料组合和反应途径运行数千个虚拟实验，从而大幅扩展了可行候选项的库。

虽然这扩大了搜索空间，但准确的原子级预测还取决于密度泛函理论 (DFT) ，这是电子结构建模的行业标准方法。DFT 的预测性很高，但计算量也很高。传统的基于 CPU 的仿真可能需要数天甚至数周的时间，这限制了 DFT 行业的可扩展性。

NVIDIA cuEST ( CUDA 电子结构理论) 可加速 DFT 工作流程中要求严苛的步骤。cuEST 是 NVIDIA 为加速 GPU 上的量子化学应用而提供的最新 CUDA-X 库之一。其模块化 API 可加速高斯 – 基密度泛函理论中计算要求极高的构建块，同时与现有的量子化学工作流集成。

在 NVIDIA B200 系统上，以前在 64 个 CPU 核心上需要 5 天时间才能完成的模拟，现在在单个 GPU 上只需大约 2 小时即可完成，速度提高了大约 55 倍。即使是以前需要数百个 CPU 核心运行一周以上的复杂反应搜索任务，现在也可以在几个小时内运行。

Ginestra 工作流和 CUDA-X 共同将更多材料工程转变为仿真。这有助于工程师扩大探索范围，减少对昂贵实验的依赖，并加速最佳材料的发现。

将材料创新引入大批量生产

在确定具有前景的材料后，下一个挑战是将这些见解转化为由紧密合的物理学 (流体流动、传热、等离子体动力学、表面反应和电磁效应) 控制的可重复、高产出的制造流程。

Applied Materials ACE™ 平台将这些多物理场模型结合在一起，模拟腔室设计、硬件配置和工艺参数的交互方式。然后，NVIDIA PhysicsNeMo 将模拟结果转换为过程行为的实时数字孪生。

借助 GPU 加速，ACE+ 地形模拟的运行速度最高可提升至原来的 35 倍，将原本需要数天才能获得当日结果的工作流压缩。工程师可以动态探索参数更改并查看即时影响，从基于批量的迭代转变为持续的交互式工作流，从而更早地在优化条件下收。

然后，使用 Applied Materials Integrated Materials Solutions 平台将经过验证的流程创新部署到生产中。其中一个例子是半导体行业非常成功的金属化系统 Endura，它在真空条件下结合多个工艺步骤，提供先进芯片制造所需的精度。从那里，重点扩展到整个晶圆厂环境，其中的工具交互和工作流程动态最终决定了吞吐量、成本和产量。