NVIDIA mở cuPotential, đưa AI vào mô phỏng nhà máy chip
Thư viện CUDA-X mới dùng mô hình học máy để tính tương tác nguyên tử, còn các đối tác đưa GPU vào quang khắc, plasma, đóng gói và kiểm thử. Phần lớn mức tăng tốc hiện là số liệu của hãng.
NVIDIA ngày 14/10 công bố cuPotential, một thư viện CUDA-X dùng mô hình học máy để mô phỏng tương tác ở cấp nguyên tử và phân tử, đồng thời mở rộng bộ công cụ GPU cho thiết kế lẫn sản xuất bán dẫn. cuPotential được cung cấp dưới dạng truy cập sớm; nhiều tích hợp khác vẫn ở giai đoạn kế hoạch hoặc đang được đối tác đánh giá.
Công ty gọi hướng đi này là “AI-defined fabs”: dùng mô hình AI và tính toán tăng tốc để thay thế hoặc hỗ trợ những phép mô phỏng vốn mất nhiều giờ, ngày hay tuần. Danh sách đối tác trải từ Cadence, Synopsys, Lam Research đến imec, KLA và Teradyne. Tuy nhiên, các mức tăng tốc trong thông báo chủ yếu do NVIDIA hoặc đối tác đo trên từng quy trình cụ thể, chưa phải một benchmark chung cho cả nhà máy chip.
Ảnh: NVIDIA.
cuPotential thay một phần phép tính nguyên tử bằng mô hình học máy
Trong khoa học vật liệu, “potential” mô tả năng lượng và lực giữa các nguyên tử. Phương pháp cơ học lượng tử có thể rất chính xác nhưng tốn tính toán; mô hình kinh nghiệm nhanh hơn nhưng khó bao quát nhiều cấu hình. Machine-learning interatomic potential học từ dữ liệu tham chiếu để dự đoán năng lượng và lực với chi phí thấp hơn.
NVIDIA nói cuPotential giúp xây và chạy các mô hình kiểu này trên GPU, đồng thời tích hợp với hệ sinh thái CUDA-X. Trong thử nghiệm của hãng, thư viện đạt tốc độ gấp hai đến ba lần những quy trình đã được tối ưu cho GPU trước đó. So sánh với nền GPU sẵn có là mốc nghiêm ngặt hơn CPU, nhưng thông báo chưa công bố đầy đủ tập vật liệu, độ sai lệch, phần cứng và quy mô để bên ngoài tái lập.
Tốc độ không đủ nếu mô hình dự đoán sai ngoài miền huấn luyện. Các nhóm chế tạo phải theo dõi độ bất định, đối chiếu với phép tính lượng tử hoặc thí nghiệm và cập nhật dữ liệu khi gặp vật liệu hay điều kiện quy trình mới.
Từ quang khắc tới plasma đều được đưa lên GPU
Synopsys cho biết QuantumATK dùng cuEST có thể nhanh hơn tới 30 lần, còn S-Device dùng cuDSS đạt mức 12 lần trong một số mô phỏng. Cadence nêu mức tăng tối đa tám lần cho bài toán nhiệt và ứng suất đóng gói với cuDSS cùng Celsius; COMSOL báo cáo tối đa mười lần ở các trường hợp lựa chọn.
Lam Research dự kiến đưa NanoVDB vào SEMulator3D trước cuối năm và kỳ vọng một số mô phỏng khắc wafer tăng tốc khoảng 30 lần. Công ty còn dùng PhysicsNeMo để dự đoán trạng thái plasma trong mili giây thay vì các phép tính có thể mất nhiều ngày. Từ “dự kiến” rất quan trọng: tích hợp này chưa phải tính năng đã có rộng rãi tại thời điểm thông báo.
Ở quang khắc, imec nói một phương pháp hỗ trợ GPU mở rộng cửa sổ quy trình 30% trong thử nghiệm. KLA công bố hiệu năng gấp 50 lần phiên bản CPU cho một quy trình, còn Teradyne nêu mức tăng suy luận khoảng 85 lần trong kiểm thử. Mỗi con số có cơ sở so sánh và mục tiêu khác nhau; không thể cộng chúng để suy ra một nhà máy sẽ nhanh hơn bao nhiêu.
Vì sao mô phỏng nhanh hơn có thể tác động đến năng suất fab?
Sản xuất chip cần điều chỉnh hàng trăm bước lắng đọng, khắc, quang khắc và đo kiểm. Một thay đổi nhỏ có thể ảnh hưởng chiều rộng đường mạch, khuyết tật hoặc độ bền của đóng gói. Khi phép mô phỏng nhanh hơn, kỹ sư có thể thử nhiều tham số hơn trước khi dùng wafer thật, vốn tốn thời gian và chi phí.
Mô hình thay thế cũng có thể tham gia vòng điều khiển gần thời gian thực: dữ liệu thiết bị đi vào mô hình, mô hình dự đoán trạng thái và hệ thống đề xuất tham số tiếp theo. Lợi ích tiềm năng là rút ngắn học quy trình và giảm thử nghiệm vật lý. Rủi ro là sai số mô hình lan vào quyết định sản xuất nếu dữ liệu lệch hoặc điều kiện máy thay đổi.
“AI-defined fab” vì thế không đồng nghĩa AI tự vận hành nhà máy. Fab vẫn cần thiết bị đo, quy tắc an toàn, kỹ sư quy trình, kiểm soát thống kê và cơ chế dừng. AI là một lớp tính toán và dự đoán thêm, không thay thế bằng chứng từ wafer.
Trạng thái sản phẩm và điều cần kiểm chứng
cuPotential đang ở giai đoạn early access. NanoVDB đã là dự án mã nguồn mở, NPP nằm trong bộ CUDA, còn tích hợp vào sản phẩm của từng đối tác có lịch riêng. Khách hàng cần kiểm tra giấy phép, phần cứng GPU, khả năng nối với dữ liệu fab và chi phí vận hành, thay vì coi mọi thành phần trong thông báo đã sẵn sàng cùng lúc.
Câu hỏi quan trọng tiếp theo là độ chính xác trên quy trình thật, mức tiết kiệm điện và thời gian từ đầu đến cuối, cùng khả năng chuyển mô hình giữa thiết bị. Tăng tốc một kernel 50 lần có thể chỉ rút ngắn phần nhỏ của toàn quy trình nếu nhập dữ liệu, tối ưu hoặc xác nhận kết quả vẫn chiếm phần lớn thời gian.
Thông báo ngày 14/10 cho thấy NVIDIA muốn đưa nền tảng GPU sâu hơn vào tầng chế tạo, không chỉ thiết kế chip và huấn luyện AI. Hướng đi có ý nghĩa vì mô phỏng là nút thắt thật. Nhưng các con số hiện tại nên được đọc là kết quả ban đầu của nhà cung cấp và đối tác, chờ đánh giá độc lập ở quy mô sản xuất.
.jpg)
