提高效率：IC推动AI发展，AI改变了IC制造

推动当今价值超过 5000 亿美元的半导体行业将年收入增长到 1 万亿美元，这正在挑战更广泛供应链的各个方面拥抱人工智能。

人工智能正在改变晶圆厂的架构和运行方式、设备的制造方式以及服务器群的构建方式。与此同时，所有这一切都得益于人工智能芯片和算法的进步，这是一种更智能技术的良性循环，使其他技术能够提高两者的能力。这是今年在凤凰城举行的 SEMICON West 会议上讨论的主要话题，推动了近年来缺乏的热议。

从大局来看，人工智能正在各地创造巨大的机会。“摆在我们面前有 2 万亿美元的机会，一个是 AI 工厂呈现给我们的，另一个是实体 AI。为了抓住这些机遇，半导体设计和制造工作负载以及人工智能的许多部分都需要创新，“NVIDIA 工业和计算工程总经理 Timothy Costa 说。“超级计算和加速计算旨在帮助半导体设计和制造应用;代理人工智能，提高半导体工程师的能力;工厂数字孪生，用于自动化晶圆厂和晶圆厂机器人;以及视觉人工智能，用于在掩模和晶圆检测中更好地进行缺陷分类。

人工智能无处不在的应用才刚刚开始。“物理人工智能将通过自动化全球数百万家工厂和数十万个仓库来改变所有行业。每栋建筑都将变得自主，在其中编排自主机器人以抓住这个机会，“科斯塔说。“这是关于我们如何利用人工智能和加速计算来抓住人工智能工厂和物理人工智能给我们带来的机会，从加速半导体设计到晶圆厂代理的工厂数字孪生，这将提高半导体工程师的生产力。我看到了人工智能和机器学习在计算光刻、掩模和晶圆缺陷检测以及良率优化方面的机会，这些只是人工智能和加速计算的一些实现，已经推动了我们的行业向前发展。

科斯塔强调了英伟达等人工智能基础设施公司与半导体设备供应商之间的战略合作伙伴关系。“当我们进入新市场时，我们会与这些生态系统合作。因此，我们很高兴看到应用材料公司、Cadence、KLA、Lam Research、西门子 [EDA] 和新思科技与我们合作，通过采用 CUDA X 来加速半导体制造和设计的工作量，“他说。“我们有结构分析，我们有光刻，我们有离散元方法，我们有电路仿真，我们有检测，我们有 CFD，我们有 TCAD。例如，我们看到 CUDA X 库和 TCAD 的集成使 TCAD 性能提高了 20 到 100 倍。

数字孪生优化产量 设备上

每百分之一的产量都可以为利润做出重大贡献。这使得数字孪生特别有吸引力，因为它们可以提高产量并缩短产量斜坡。“数字孪生在大批量制造中的应用有很多机会，特别是在产量优化方面，”Lam Research Semiverse Products 董事总经理 Joseph Ervin 说。流程窗口正在缩小。在图案化和收缩结构之间实现工艺步骤的集成具有挑战性，同时随着技术复杂性和集成复杂性而出现更系统的缺陷。原子级结构规模的模式化使得在领先优势实现高收益并获得真正为公司和公司提供资金的东西变得越来越具有挑战性，“Ervin 说。“通过同时解决多个缺陷问题，快速提高良率的关键。”

Ervin 展示了使用现有工具的虚拟工艺建模、虚拟计量和实验设计 （DOE） 的虚拟工艺优化如何彻底改变半导体生产。“令人兴奋的部分是将其推回机器学习和人工智能中，根据技术、灵敏度、变化做出自动决策，并将其推入技术流程。虚拟硅需要两种类型的输入——设计，即印在晶圆上的掩模特征，以及工艺流程（见图 1）。因此，逐步查看工艺集成，包括沉积、蚀刻、清洁、计量，在线发生的一切都是虚拟完成的。我们能够创建这种结构，代表工艺线每个部分正在发生的事情。将虚拟芯片和机器学习/人工智能结合在一起至关重要。诀窍是理解并使用物理和建模来预测工艺流程，并创建实际的集成结构，这些结构可以很好地代表硅上发生的事情。

图 1：以晶圆厂为中心的数字孪生使良率工程师能够同时解决多种故障模式，而不是一个接一个地解决。资料来源：Lam Research

设备/材料

中的人工智能在 SEMICON West 的一次人工智能小组讨论中，高管们强调了将技术发展与可持续发展相结合的必要性。“每个人都可能听说过 OpenAI、NVIDIA 和 AMD 宣布他们将建造巨大的千兆级数据中心，预计功耗约为 10 吉瓦，”ASM 高级总监兼高级执行技术专家 Angada Sachid 说。“从这个角度来看，如果你以整个凤凰城地区为例，10 吉瓦可以在未来 10 年内为所有家庭供电，而这 10 吉瓦只是实现人工智能基础设施所需的更大系列数据中心的第一个组成部分。”

图 2（左至右）：NY Creates 的 Anderson、ASM 的 Sachid、IBM Research 的 Khare、Merck 的 Matz 和 TEL 的 Dougherty。资料来源：SEMI

必须满足多种要求才能使大型数据中心比现在更高效，就像人工智能芯片本身做出更智能、更好的设计和制造决策一样。“全球合作始终建立在信任、互利和坚定的信念之上，即通过共同努力，我们可以为人类创造最大价值，”日月光首席执行官吴天说。“今天，半导体行业面临着与我们的前辈不同的初始条件和边界条件。半导体正在挑战人工智能的极限，而矛盾的是，人工智能正在挑战半导体的极限。

不过，这不仅仅是经济学，吴说。“它融入了国家安全的基础以及人类在未来世界中的繁荣方式。半导体不仅仅是半导体。这种新的现实本质上是不可逆转的，因为技术本身是不可逆转的。在这个新世界中，我们不仅受到供应链效率和经济的约束，还必须注意地缘政治平衡和可持续性。未来十年，半导体行业将面临技术和数量的增长，以及地域多样性、规模和监管控制方面日益复杂的问题。在所有挑战中，需要新的灵活性和智慧。然而，指导原则始终不变——信任、互利、追求为人类创造最大价值。

实现这些目标需要让人工智能更广泛地使用。“我们的行业以自动化和民主化而闻名，”IBM 研究院的 Mukesh Khare 说。如果你看看芯片设计，我们曾经手工设计芯片——字面意思。随着设计变得越来越复杂，EDA 行业将物理方面从手工设计抽象到使用算法设计芯片。今天的静态算法由设计师共享。但由于 5nm 节点的设计成本超过 50 亿美元，现在是利用人工智能进一步实现设计民主化的最佳时机。

代理人工智能将在这项工作中发挥重要作用。“在过去的几年里，该行业创建了大型语言模型，这些人工智能代理将用于设计或帮助加速芯片设计，”Khare 说。“大部分工作都是在开放环境中完成的，然后公司可以开始针对用例进行定制。我们需要一个开放的生态系统。软件行业取得如此长足进步的原因之一是每个人都在为开放环境中加速软件开发做出贡献。

Khare 邀请了行业设计师参与。“对于试图在前沿技术中设计芯片的非常广泛的公司来说，这是实现技术民主化之旅的下一步——真正利用集体知识的力量和代理人工智能来设计芯片，”他说。“对于 IBM 来说，它的下一步是在软件开发中应用代理人工智能，我们将软件开发本身的生产力提高至少 50%。当我们将其应用到复杂的芯片设计活动中时，我们预计生产率至少提高 50% 或周期时间缩短，或者您可以将其视为降低成本。

材料也将在这项工作中发挥关键作用。“今天，你不能问 ChatGPT 下一个半导体材料是什么，但我们确实希望随着时间的推移能够构建它，”默克公司首席科学技术官劳拉·马茨 （Laura Matz） 说。“但如果我们退后一步，看看我们今天所处的行业以及围绕人工智能的兴奋，我们还必须考虑能源消耗。我住在欧洲。由于许多国家/地区不一定拥有能源基础设施来满足实时拉动的人工智能和数据中心需求，我们刚刚在慕尼黑开设了一个高性能计算中心。这些地区的加速令人难以置信，但全球范围内对能源效率的利用非常真实。

幸运的是，材料开发是一个推动因素。“在台积电的 2nm 节点中，您可以获得性能优势，还可以通过扩展提高能效，”Matz 说。“但这需要在原子水平上开发新的集成和材料。过去几年的变化不仅是对材料的性能要求不断提高。这也是更快地推动创新的速度。所以这意味着我们必须以不同的方式做事。

这涉及打破围绕流程开发的一些孤岛，并转向更加集成的开发流程。“五年前，我们会考虑在材料开发过程的每个单独步骤中使用成像、视觉和机器学习等人工智能技术，”她说。“有些模型可以从最初的材料发现到制造过程中的测试和优化。这些部分是很好的理解。但是，如果我们优化了一步而不加速下一步，我们真的没有为自己节省大量时间。因此，现在我们正在解决的关键挑战是将所有这些工艺步骤与跨步骤的无法作的数据集成在一起，以在材料开发中创造阶梯式变化。

Matz 指出，在晶圆厂完全加工之前，尚不清楚新材料是否真的有效。“我们一直在研究现在可以帮助优化晶圆上结果的算法。初步估计表明，我们可以将所需的晶圆数量减少一半，从而加快工艺速度，同时提高可持续性。

数字孪生的一个关键方面是不同的孪生是否可以相互通信。“我们概念化的方式是将产品生命周期的每个要素都纳入其中，从概念和可行性到早期研发、alpha 和 beta 级别、演示、设计、控制、系统和软件架构、实际过程演示和与材料的联系，然后进入我们工厂的制造，”TEL America 总裁 Mark Dougherty 说。“正如 Laura 所提到的，数字孪生和仿真功能已经存在多年，但问题是”我们如何将其中一些连接在一起？我们需要在生命周期的每个阶段展示效率。这包括在人工智能的帮助下显着缩短我们设备的设计和演示周期。

结论

半导体行业在人工智能芯片、服务器场和集成电路晶圆厂和组装之间处于虚拟创新周期，正在加快技术发展的步伐。公司在数字孪生的使用方面取得了长足的进步，特别是在提高产量和生命周期效率方面。人们发现了更快地开发材料、设备、工艺和服务器的新动力，同时始终提高运营效率。通过将人工智能内置到芯片和处理这些芯片的系统中，结果将沿着多个轴改进，每个轴都将为其他轴提供信息。