NVIDIA и Applied Materials показали связку инструментов для разработки полупроводников, которая в отдельных сценариях ускоряет расчёты до 55 раз. Для отрасли это не красивая презентация, а способ быстрее проверять новые материалы и технологические режимы без недель ожидания и дорогих физических прогонов.
Речь не об одной программе, а о сквозной цифровой модели: от атомного уровня до цифрового двойника фабрики. Это важно на фоне бума AI, когда спрос на более плотные, холодные и энергоэффективные чипы растёт быстрее, чем успевают усложняться производственные процессы.
От материалов к фабрике
В основе проекта лежит платформа Applied Materials Ginestra. Она моделирует свойства материалов и дефекты на атомном уровне, а затем связывает эти данные с поведением будущего устройства. NVIDIA со своей стороны добавила ускорение через библиотеки CUDA-X, включая cuDSS и cuEST.
Следующий слой - Applied Materials ACE+, где считают уже не химию материала, а физику процесса внутри оборудования: потоки газа, теплообмен, плазму, электромагнитные эффекты и реакции на поверхности. Для построения цифровых двойников в реальном времени компании используют NVIDIA PhysicsNeMo, а на уровне фабрики - библиотеки NVIDIA Omniverse.
Где получился выигрыш в скорости
Самая громкая цифра - ускорение до 55 раз в задачах квантовой химии и материаловедения. В блоге Applied Materials компания приводит конкретный пример: около 15 000 поисков реакционных путей, которые раньше занимали примерно полторы недели на 400 CPU-ядрах, теперь укладываются в 5 часов на NVIDIA B200.
На уровне технологического оборудования прирост тоже заметный: симуляции в ACE+ идут до 35 раз быстрее. И это уже влияет на практику инженеров: вместо цикла «посчитали пакет, подождали, поправили параметры» можно быстрее перебирать варианты и раньше находить рабочий режим.
Но это только половина истории. Главный выигрыш не в красивой цифре на слайде, а в том, что меньше гипотез приходится проверять на реальном железе, где ошибка стоит заметно дороже, чем лишний GPU-час.
Значение для рынка
Для русскоязычной IT-аудитории это прежде всего сигнал о том, куда движется промышленный софт для сложной инженерии. Полупроводники здесь лишь самый дорогой пример: тот же подход с Physics AI, GPU-ускорением и цифровыми двойниками уже применим в материаловедении, энергетике, микроэлектронике и промышленном CAE. Для команд из России и СНГ, которые работают с моделированием, EDA, HPC или промышленной автоматизацией, вывод простой: конкурировать только за счёт ручных прогонов и долгих итераций становится всё сложнее.
Оригинал: NVIDIA Technical Blog. Дополнительные детали по ускорению материаловых расчётов: Applied Materials.
Следующий логичный шаг - переводить такие связки из демонстраций и пилотов в штатный контур разработки, где цифровой двойник влияет не только на R&D, но и на экономику производства.