IT之家11月4日消息，英伟达（NVDA）于11月3日发布文章称，人工智能（885728）正在推动半导体（881121）晶圆厂进入“AI定义工厂”阶段：通过加速仿真、学习型物理模型、AI智能体（886099）和数字孪生（885820），正在显著提速芯片制造中的设计、测试与生产决策。
加速仿真(accelerated simulation)指利用GPU、并行计算、AI智能体（886099）模型等技术，把传统依赖CPU的工程仿真从数小时、数天压缩到数分钟甚至毫秒级的过程。在半导体（881121）制造中，它让工程师能更快测试工艺方案、预测缺陷风险，而不必先做昂贵且耗时的真实产线实验。
IT之家援引博文介绍，随着先进芯片需求上升，制造工艺愈发复杂，良率和工艺质量的容错空间不断缩小。传统产线实验既慢又贵，工程师分析工艺变更、材料反应或缺陷根因，往往需要数天。AI的价值在于，让工程师在投入真实试验前，先在虚拟环境中更快地比较方案、发现风险。
加速仿真的目标是在真实制造之前，更快得到足够可靠的“虚拟实验”结果，从而减少试错、提高良率并降低成本。
学习型物理模型(Learned physics models)是指利用机器学习从高精度仿真、实验或产线数据中学习物理规律的模型。它会学习温度、压力、材料、电磁场、等离子体等变量之间的映射关系，从而快速预测复杂物理过程。英伟达（NVDA）在半导体（881121）制造报道中，将其视为加速晶圆厂仿真与决策的关键技术之一。
数字孪生（885820）(Digital Twin)是指在虚拟环境中创建物理对象、系统或流程的动态数字副本。它不只是静态3D模型，而是能接收实时或历史数据、模拟运行状态、预测结果，并支持“先在虚拟世界试、再到现实世界做”的决策方式。在英伟达（NVDA）关于半导体（881121）制造的报道中，数字孪生（885820）被用于构建整座晶圆厂的虚拟模型，帮助工程师在投产前发现瓶颈、验证布局和运营策略。
在具体案例中，多物理场仿真软件COMSOL借助英伟达（NVDA）cuDSS，将半导体（881121）制造相关仿真速度提升最高10倍；西门子则将cuLitho集成到Calibre光刻软件，关键仿真负载最高提速17倍。
应用材料（AMAT）公司(Applied Materials)的Ginestra平台在集成cuDSS后，较仅用CPU的方案快最高10倍，其ACE+多物理场平台借助PhysicsNeMo实现最高35倍的形貌仿真加速。
AI还能减少重复仿真。例如，半导体（881121）蚀刻中使用的等离子体行为建模复杂、成本高；Lam Research展示，PhysicsNeMo可在毫秒级预测等离子体行为，而完整仿真可能需要数天。
过去工程师为判断某个芯片制造方案是否可行，需要等待长时间仿真、实验或数据分析；引入AI加速仿真、学习型物理模型和AI智能体（886099）后，许多原本以“天”计的分析任务，可以压缩到“分钟”级完成。
英伟达（NVDA）在报道中举例，Advantest使用NeMo Switchyard AI智能体（886099）自动选择合适的AI模型，把原本需要数小时的任务压缩到数分钟。
在先进晶圆厂中，工程师面对的问题往往不是简单查询数据，通常需要判断：
某种蚀刻参数是否会损伤晶圆；
某个材料或工艺变更是否会影响良率；
缺陷究竟来自设备、材料还是工艺条件；
多个候选方案中，哪一个最值得投入真实产线验证。
传统流程通常要依次进行高精度物理仿真、结果分析、方案比较，有时还要安排实际试验。一次完整仿真可能需要数天，工程师因此难以快速探索大量备选方案。
而 AI可以先帮助工程师缩小范围、发现高风险方案，关键工艺变更仍需要高精度仿真、实验验证和工程师的专业审核。AI把工程师从“长时间等待计算结果”中解放出来，让他们把时间用于判断、验证和优化；决策链条中的等待时间缩短了，但专业责任和最终把关仍在工程师手中。
直观类比是过去像医生要等全套检查报告出来才能初步判断病情；现在AI相当于先快速给出多项筛查结果和可能原因，医生可以立刻决定优先做哪些关键检查。速度快了，但最终诊断和治疗决定，仍由医生负责。
更重要的是，应用材料（AMAT）公司正基于英伟达（NVDA）Omniverse构建整座晶圆厂的数字孪生（885820），可在虚拟环境中模拟物料流动、发现瓶颈并验证布局与运营策略，再决定是否在真实产线落地。
应用材料（AMAT）公司利用基于NVIDIA Omniverse库构建的数字孪生（885820）技术，模拟工厂级布局、吞吐量、成本和工艺控制方面的优化。
英伟达（NVDA）称，这一闭环将使工厂从每个生产周期（883436）中学习，并更早采取行动；工程师仍负责专业判断与最终决策，但等待答案的时间将大幅减少。
利用 NVIDIA Omniverse库构建的逼真晶圆厂数字孪生（885820）模型，用于模拟物料流动、发现瓶颈并在部署前验证运营策略。图片由应用材料（AMAT）公司提供。
