提高效率：IC推動AI發展，AI改變了IC製造

推動當今價值超過 5000 億美元的半導體行業將年收入增長到 1 萬億美元，這正在挑戰更廣泛供應鏈的各個方面擁抱人工智能。

人工智能正在改變晶圓廠的架構和運行方式、設備的製造方式以及服務器羣的構建方式。與此同時，所有這一切都得益於人工智能芯片和算法的進步，這是一種更智能技術的良性循環，使其他技術能夠提高兩者的能力。這是今年在鳳凰城舉行的 SEMICON West 會議上討論的主要話題，推動了近年來缺乏的熱議。

從大局來看，人工智能正在各地創造巨大的機會。「擺在我們面前有 2 萬億美元的機會，一個是 AI 工廠呈現給我們的，另一個是實體 AI。爲了抓住這些機遇，半導體設計和製造工作負載以及人工智能的許多部分都需要創新，「NVIDIA 工業和計算工程總經理 Timothy Costa 説。「超級計算和加速計算旨在幫助半導體設計和製造應用;代理人工智能，提高半導體工程師的能力;工廠數字孿生，用於自動化晶圓廠和晶圓廠機器人;以及視覺人工智能，用於在掩模和晶圓檢測中更好地進行缺陷分類。

人工智能無處不在的應用纔剛剛開始。「物理人工智能將通過自動化全球數百萬家工廠和數十萬個倉庫來改變所有行業。每棟建築都將變得自主，在其中編排自主機器人以抓住這個機會，「科斯塔説。「這是關於我們如何利用人工智能和加速計算來抓住人工智能工廠和物理人工智能給我們帶來的機會，從加速半導體設計到晶圓廠代理的工廠數字孿生，這將提高半導體工程師的生產力。我看到了人工智能和機器學習在計算光刻、掩模和晶圓缺陷檢測以及良率優化方面的機會，這些只是人工智能和加速計算的一些實現，已經推動了我們的行業向前發展。

科斯塔強調了英偉達等人工智能基礎設施公司與半導體設備供應商之間的戰略合作伙伴關係。「當我們進入新市場時，我們會與這些生態系統合作。因此，我們很高興看到應用材料公司、Cadence、KLA、Lam Research、西門子 [EDA] 和新思科技與我們合作，通過採用 CUDA X 來加速半導體制造和設計的工作量，「他説。「我們有結構分析，我們有光刻，我們有離散元方法，我們有電路仿真，我們有檢測，我們有 CFD，我們有 TCAD。例如，我們看到 CUDA X 庫和 TCAD 的集成使 TCAD 性能提高了 20 到 100 倍。

數字孿生優化產量 設備上

每百分之一的產量都可以為利潤做出重大貢獻。這使得數字孿生特別有吸引力，因為它們可以提高產量並縮短產量斜坡。「數字孿生在大批量製造中的應用有很多機會，特別是在產量優化方面，」Lam Research Semiverse Products 董事總經理 Joseph Ervin 説。流程窗口正在縮小。在圖案化和收縮結構之間實現工藝步驟的集成具有挑戰性，同時隨着技術複雜性和集成複雜性而出現更系統的缺陷。原子級結構規模的模式化使得在領先優勢實現高收益並獲得真正為公司和公司提供資金的東西變得越來越具有挑戰性，「Ervin 説。「通過同時解決多個缺陷問題，快速提高良率的關鍵。」

Ervin 展示了使用現有工具的虛擬工藝建模、虛擬計量和實驗設計 （DOE） 的虛擬工藝優化如何徹底改變半導體生產。「令人興奮的部分是將其推回機器學習和人工智能中，根據技術、靈敏度、變化做出自動決策，並將其推入技術流程。虛擬硅需要兩種類型的輸入——設計，即印在晶圓上的掩模特徵，以及工藝流程（見圖 1）。因此，逐步查看工藝集成，包括沉積、蝕刻、清潔、計量，在線發生的一切都是虛擬完成的。我們能夠創建這種結構，代表工藝線每個部分正在發生的事情。將虛擬芯片和機器學習/人工智能結合在一起至關重要。訣竅是理解並使用物理和建模來預測工藝流程，並創建實際的集成結構，這些結構可以很好地代表硅上發生的事情。

圖 1：以晶圓廠為中心的數字孿生使良率工程師能夠同時解決多種故障模式，而不是一個接一個地解決。資料來源：Lam Research

設備/材料

中的人工智能在 SEMICON West 的一次人工智能小組討論中，高管們強調了將技術發展與可持續發展相結合的必要性。「每個人都可能聽説過 OpenAI、NVIDIA 和 AMD 宣佈他們將建造巨大的千兆級數據中心，預計功耗約為 10 吉瓦，」ASM 高級總監兼高級執行技術專家 Angada Sachid 説。「從這個角度來看，如果你以整個鳳凰城地區為例，10 吉瓦可以在未來 10 年內為所有家庭供電，而這 10 吉瓦只是實現人工智能基礎設施所需的更大系列數據中心的第一個組成部分。」

圖 2（左至右）：NY Creates 的 Anderson、ASM 的 Sachid、IBM Research 的 Khare、Merck 的 Matz 和 TEL 的 Dougherty。資料來源：SEMI

必須滿足多種要求才能使大型數據中心比現在更高效，就像人工智能芯片本身做出更智能、更好的設計和製造決策一樣。「全球合作始終建立在信任、互利和堅定的信念之上，即通過共同努力，我們可以為人類創造最大價值，」日月光首席執行官吳天説。「今天，半導體行業面臨着與我們的前輩不同的初始條件和邊界條件。半導體正在挑戰人工智能的極限，而矛盾的是，人工智能正在挑戰半導體的極限。

不過，這不僅僅是經濟學，吳説。「它融入了國家安全的基礎以及人類在未來世界中的繁榮方式。半導體不僅僅是半導體。這種新的現實本質上是不可逆轉的，因為技術本身是不可逆轉的。在這個新世界中，我們不僅受到供應鏈效率和經濟的約束，還必須注意地緣政治平衡和可持續性。未來十年，半導體行業將面臨技術和數量的增長，以及地域多樣性、規模和監管控制方面日益複雜的問題。在所有挑戰中，需要新的靈活性和智慧。然而，指導原則始終不變——信任、互利、追求為人類創造最大價值。

實現這些目標需要讓人工智能更廣泛地使用。「我們的行業以自動化和民主化而聞名，」IBM 研究院的 Mukesh Khare 説。如果你看看芯片設計，我們曾經手工設計芯片——字面意思。隨着設計變得越來越複雜，EDA 行業將物理方面從手工設計抽象到使用算法設計芯片。今天的靜態算法由設計師共享。但由於 5nm 節點的設計成本超過 50 億美元，現在是利用人工智能進一步實現設計民主化的最佳時機。

代理人工智能將在這項工作中發揮重要作用。「在過去的幾年里，該行業創建了大型語言模型，這些人工智能代理將用於設計或幫助加速芯片設計，」Khare 説。「大部分工作都是在開放環境中完成的，然后公司可以開始針對用例進行定製。我們需要一個開放的生態系統。軟件行業取得如此長足進步的原因之一是每個人都在為開放環境中加速軟件開發做出貢獻。

Khare 邀請了行業設計師參與。「對於試圖在前沿技術中設計芯片的非常廣泛的公司來説，這是實現技術民主化之旅的下一步——真正利用集體知識的力量和代理人工智能來設計芯片，」他説。「對於 IBM 來説，它的下一步是在軟件開發中應用代理人工智能，我們將軟件開發本身的生產力提高至少 50%。當我們將其應用到複雜的芯片設計活動中時，我們預計生產率至少提高 50% 或周期時間縮短，或者您可以將其視為降低成本。

材料也將在這項工作中發揮關鍵作用。「今天，你不能問 ChatGPT 下一個半導體材料是什麼，但我們確實希望隨着時間的推移能夠構建它，」默克公司首席科學技術官勞拉·馬茨 （Laura Matz） 説。「但如果我們退后一步，看看我們今天所處的行業以及圍繞人工智能的興奮，我們還必須考慮能源消耗。我住在歐洲。由於許多國家/地區不一定擁有能源基礎設施來滿足實時拉動的人工智能和數據中心需求，我們剛剛在慕尼黑開設了一個高性能計算中心。這些地區的加速令人難以置信，但全球範圍內對能源效率的利用非常真實。

幸運的是，材料開發是一個推動因素。「在臺積電的 2nm 節點中，您可以獲得性能優勢，還可以通過擴展提高能效，」Matz 説。「但這需要在原子水平上開發新的集成和材料。過去幾年的變化不僅是對材料的性能要求不斷提高。這也是更快地推動創新的速度。所以這意味着我們必須以不同的方式做事。

這涉及打破圍繞流程開發的一些孤島，並轉向更加集成的開發流程。「五年前，我們會考慮在材料開發過程的每個單獨步驟中使用成像、視覺和機器學習等人工智能技術，」她説。「有些模型可以從最初的材料發現到製造過程中的測試和優化。這些部分是很好的理解。但是，如果我們優化了一步而不加速下一步，我們真的沒有為自己節省大量時間。因此，現在我們正在解決的關鍵挑戰是將所有這些工藝步驟與跨步驟的無法作的數據集成在一起，以在材料開發中創造階梯式變化。

Matz 指出，在晶圓廠完全加工之前，尚不清楚新材料是否真的有效。「我們一直在研究現在可以幫助優化晶圓上結果的算法。初步估計表明，我們可以將所需的晶圓數量減少一半，從而加快工藝速度，同時提高可持續性。

數字孿生的一個關鍵方面是不同的孿生是否可以相互通信。「我們概念化的方式是將產品生命周期的每個要素都納入其中，從概念和可行性到早期研發、alpha 和 beta 級別、演示、設計、控制、系統和軟件架構、實際過程演示和與材料的聯繫，然后進入我們工廠的製造，」TEL America 總裁 Mark Dougherty 説。「正如 Laura 所提到的，數字孿生和仿真功能已經存在多年，但問題是」我們如何將其中一些連接在一起？我們需要在生命周期的每個階段展示效率。這包括在人工智能的幫助下顯着縮短我們設備的設計和演示周期。

結論

半導體行業在人工智能芯片、服務器場和集成電路晶圓廠和組裝之間處於虛擬創新周期，正在加快技術發展的步伐。公司在數字孿生的使用方面取得了長足的進步，特別是在提高產量和生命周期效率方面。人們發現了更快地開發材料、設備、工藝和服務器的新動力，同時始終提高運營效率。通過將人工智能內置到芯片和處理這些芯片的系統中，結果將沿着多個軸改進，每個軸都將為其他軸提供信息。