Alsemy 利用物理信息 AI 将芯片建模速度从数月缩短至数分钟

为了打破这一瓶颈，Alsemy 开发了 AI 驱动的器件建模平台 Alsis，该平台将神经网络与显式物理约束相结合，实现了能够在遵循底层器件行为的同时直接学习 I–V 和 C–V 数据的物理信息模型。同时，Alsemy 构建了用于结构和工艺建模的 Alsphere 平台，并与 LG Display 联合开发了针对显示领域的专用版本 DPS。

该团队在结合了本地系统与 Amazon Web Services 和 Google Cloud Platform 云端资源的混合基础设施中，使用 NVIDIA RTX 3090 GPU 训练大型预训练模型，包括一个重定向模型和一个 C–V 模型。利用 NVIDIA PhysicsNeMo 以及 CUDA 加速的 PyTorch，Alsemy 团队能够在模型开发过程中快速迭代不同的模型架构，并降低大规模训练物理信息模型的成本。通过利用 PhysicsNeMo 的现成模块进行快速构思和实验，让这个 6 人规模 (且在不断扩大) 的 AI 研究和工程团队能够像一个专注的 AI 建模工厂一样运作，为半导体客户提供服务。

Alsis 模型经过训练后，通常会部署在客户环境中进行基于 CPU 的推理，这意味着芯片制造商能够从 GPU 加速的训练中受益，而无需彻底改造其生产基础设施。合作伙伴还可以在 Alsis 中使用其专有 I–V 数据集直接训练自定义神经网络，从而以可控且安全的方式将其工艺专业知识编码为高准确性的器件模型。在各类部署中，Alsis 的预训练模型和客户特定模型通常并行运行，以支持生产流中的电路级仿真和器件性能评估。

Alsemy 的 NVIDIA 赋能的物理信息 AI 工作流已将半导体器件建模从缓慢、专家专属的流程转变为用于研发和生产制造的快速、数据驱动的引擎。过去，构建基准物理模型需要花费数年时间，且每个器件的手动参数拟合还需花费数周到数月，而 Alsemy 现在只需几周的 GPU 加速训练，即可提供完整的建模解决方案，随后仅需 1 秒的推理和大约 10 分钟的客户特定微调。这种转变极大地压缩了建模时间，使团队可以快速迭代新的器件架构，助力 SK hynix、LG Display 和韩国纳米综合技术院等客户实现更快的 DTCO 循环和更积极进取的技术路线图。

与 SK hynix 密切合作的反馈表明，Alsemy 解决方案的模型准确性可与经验丰富的工艺工程师相媲美，并凸显三大核心优势：通过自动化缩短研发周转时间、避免可能影响产品质量和性能的人为错误，以及实现进一步的 AI 辅助研发流程改进。在韩国纳米综合技术院，研发人员和小型公司可以先创建其工艺的数字孪生，从而更轻松地获取制造资源，显著提高其产品“一次成功”的几率。这些成果在某些环境下尤其具有意义，正如韩国纳米综合技术院的首席研究科学家 Jun-Mo Yang 博士所指出的，“制造 AI 和物理 AI 的重要性已得到广泛认可，[但] 彻底改变高科技研发系统仍然极具挑战性”，这是由于传统流程的束缚以及获取真实工业数据集的途径有限所致。

Alsphere 也被 NNFC 与 KISTI 携手打造的国家半导体和显示数据平台“BANDI”作为标准工艺预测模型所采用，为在政府资助的研发项目中获得更广泛的使用打开了大门。

对于 Alsemy 的客户，影响直接体现在业务成果中。工艺开发时间和产品上市时间缩短，研发成本下降，更好的模型准确性支持更高的良率。由于 Alsis 可以使用客户数据进行快速微调并在 CPU 上运行，因此晶圆厂在将敏感数据集保留在本地的同时，仍然可以从 NVIDIA GPU 加速训练中受益。这种方法使 Alsemy 能够独特地深入了解真实的制造挑战，并以 NVIDIA PhysicsNeMo 为基础，实现可扩展的半导体物理信息 AI 模型——为长期合作奠定基础，从而推进客户路线图和更广泛的 PhysicsNeMo 生态系统发展。

展望未来，Alsemy 计划继续扩展其大型物理信息模型库，并完善 Alsis 以支持更多器件类型、节点和客户特定工作流。随着工艺技术的进步和设计复杂性的增加，对于希望确保路线图按计划推进的半导体公司而言，NVIDIA GPU、PhysicsNeMo 和相关领域专业知识的结合正使得 Alsemy 成为这些公司的核心 AI 建模合作伙伴。

随着 AI 研究人员和工程师招聘规模的扩大，以及在韩国顶级芯片制造商中的采用率不断提升，Alsemy 正在朝着 AI 驱动的建模成为器件开发标准环节的未来迈进，帮助行业在保持所需精度的同时加速发展。展望未来，Alsemy 计划将其在 AI 物理领域的领先地位扩展到代理式 AI 领域，使用能够吸收物理知识并自主执行预测和优化的预训练智能体，改变半导体和显示研发工艺的范式。