Detrás del lanzamiento de un producto semiconductor de gran consumo hay una enorme cantidad de trabajo de ingeniería. En la fase de diseño de los procesos tecnológicos y de los chips, los empleados de I+D toman decisiones que después influirán tanto en las características de los chips como en el nivel de defectos. La IA permite reducir el número de errores de ingeniería y estudiar más variantes exitosas con menos tiempo invertido.
Fuente de la imagen: generación con IA de ChatGPT/3DNews
Para ayudar a los ingenieros en todas las etapas de implantación y producción de chips, Nvidia ha presentado el concepto de las llamadas AI-defined fab, «fábricas de semiconductores gestionadas por inteligencia artificial». No se trata de plantas totalmente autónomas (aunque algún día será así), sino de integrar la IA en el diseño de procesos tecnológicos, la simulación de fenómenos físicos, el control de calidad y la gestión de la producción.
Según la compañía, la computación acelerada, los modelos de aprendizaje automático entrenados con las leyes físicas del mundo real, los agentes de IA y los gemelos digitales permitirán a los ingenieros comprobar más rápido las soluciones tecnológicas, detectar posibles causas de defectos y reducir el número de costosos experimentos directamente en la línea de producción. Lo «digital» puede ahorrar días y semanas de experimentos reales y evitar errores fatales.
Una de las líneas de trabajo es acelerar la simulación física multidisciplinar, que tiene en cuenta a la vez la transferencia de calor, los procesos eléctricos y las tensiones mecánicas. Así, COMSOL utiliza la biblioteca cuDSS de Nvidia para acelerar estos cálculos en el desarrollo de equipos semiconductores y procesos tecnológicos: el aumento de rendimiento declarado puede llegar a ser de hasta diez veces.
La colaboración de Nvidia con Applied Materials abarca la simulación de materiales a escala atómica: la plataforma Ginestra, que usa cuDSS, funciona hasta diez veces más rápido que las soluciones basadas únicamente en procesadores centrales, y el sistema ACE+ con PhysicsNeMo acelera hasta 35 veces la simulación de la formación del relieve superficial. Otro ejemplo es la litografía: Siemens integra la biblioteca cuLitho en el software Calibre y logra acelerar determinadas tareas de cálculo hasta 17 veces.
Otro enfoque consiste en utilizar modelos de IA entrenados con los resultados de simulaciones físicas. Esto permite predecir el comportamiento de los procesos tecnológicos sin repetir la simulación computacional completa, únicamente mediante la predicción, lo que ahorra la realización de costosas comprobaciones en las líneas de producción activas.
Por ejemplo, Lam Research ha utilizado Nvidia PhysicsNeMo para predecir el comportamiento del plasma empleado en el grabado por plasma de obleas de silicio. Estos cálculos exigen tener en cuenta la interacción de procesos eléctricos, químicos y térmicos. Según Nvidia, el modelo puede emitir una predicción en milisegundos en lugar de los varios días necesarios tanto para un experimento real completo como para un recálculo completo. De forma remota, esto podría imaginarse incluso como una intuición, aunque aplicado a la IA es demasiado pronto para hablar de ello.
Los agentes de IA y los gemelos digitales completan este sistema en la fase de pruebas y de gestión de la producción. Advantest utiliza agentes de Nvidia NeMo Switchyard para seleccionar automáticamente los modelos de IA adecuados al analizar los resultados de las pruebas de semiconductores: según Nvidia, esto reduce el tiempo de ejecución de estas operaciones de varias horas a unos minutos.
Applied Materials, por su parte, crea con las bibliotecas de Nvidia Omniverse gemelos digitales de fábricas completas. En el entorno virtual se puede simular el movimiento de materiales, la disposición de los equipos, el rendimiento de las áreas y los posibles cuellos de botella, comprobando los cambios antes de implantarlos en la planta real.
Según Nvidia, en conjunto los procesos que promueve para transferir a la inteligencia artificial parte de las responsabilidades clave de ingeniería en la gestión de las fábricas sientan la base de un nuevo enfoque de la producción de microchips, en el que los ingenieros mantienen el control sobre las decisiones tecnológicas, pero obtienen los resultados del análisis mucho más rápido. En última instancia, esto permitirá lanzar más rápido electrónica y ordenadores mejores y de mayor calidad.