شرکت‌های Samsung و NVIDIA در جریان رویداد NVIDIA AI Day Seoul 2026، نتایج همکاری خود در زمینه استفاده از هوش مصنوعی و پردازش شتاب‌یافته برای مهندسی نیمه‌رسانا را تشریح کردند. یکی از مهم‌ترین دستاوردهای این همکاری، کاهش زمان یک شبیه‌سازی حرارتی و مکانیکی پیچیده از حدود ۱۸ ساعت به ۴۱ ثانیه است.
این دستاورد با ترکیب فناوری‌های NVIDIA PhysicsNeMo، چارچوب شبیه‌سازی GPU-محور Warp و روش‌های یادگیری ماشین علمی (Scientific Machine Learning) به دست آمده است. هدف این رویکرد، کاهش هزینه محاسباتی شبیه‌سازی‌های پیچیده و کمک به مهندسان برای بررسی سریع‌تر ساختارها و شرایط مختلف طراحی تراشه است.
هوش مصنوعی چگونه فرایند مهندسی نیمه‌رسانا را سریع‌تر می‌کند؟
طراحی و تولید تراشه‌های پیشرفته به شبیه‌سازی‌های پیچیده‌ای نیاز دارد. مهندسان باید پیش از تولید نهایی، رفتار حرارتی، تنش مکانیکی، تغییر شکل مواد و شرایط مختلف فرایند ساخت را بررسی کنند.
با افزایش پیچیدگی ساختار تراشه‌ها و بسته‌بندی‌های پیشرفته، تعداد متغیرهای موردنیاز برای تحلیل نیز بیشتر شده است. اجرای این محاسبات با روش‌های عددی سنتی می‌تواند ساعت‌ها یا حتی بیشتر زمان ببرد.
سامسونگ و NVIDIA برای کاهش این زمان، از رویکرد یادگیری ماشین علمی استفاده می‌کنند. در این روش، داده‌های حاصل از شبیه‌سازی‌های فیزیکی و قوانین حاکم بر رفتار مواد برای آموزش مدل‌های هوش مصنوعی به کار می‌روند.
مدل آموزش‌دیده می‌تواند برخی از ویژگی‌های فیزیکی ساختارهای پیچیده را پیش‌بینی کند و اطلاعات لازم را در اختیار شبیه‌سازی‌های بزرگ‌تر قرار دهد. به این ترتیب، نیازی نیست تمام جزئیات ساختار در هر مرحله با بالاترین سطح تفکیک‌پذیری محاسبه شوند.
کاهش زمان شبیه‌سازی از ۱۸ ساعت به ۴۱ ثانیه
یکی از نتایج اصلی همکاری سامسونگ و NVIDIA، توسعه روشی به نام AI Homogenization برای شبیه‌سازی حرارتی و مکانیکی است.
در این روش، به‌جای محاسبه مستقیم تمام جزئیات یک ساختار پیچیده، هوش مصنوعی ویژگی‌های مؤثر مواد را پیش‌بینی می‌کند. سپس از این ویژگی‌ها برای اجرای شبیه‌سازی در یک شبکه محاسباتی ساده‌تر استفاده می‌شود.
در نمونه اعلام‌شده توسط سامسونگ، ساختاری با حدود یک میلیارد وکسل (Voxel) جزئیات، به مدلی با تقریبا یک میلیون سلول محاسباتی در مقیاس درشت‌تر تبدیل شده است.
نتایج مقایسه این دو روش به شرح زیر است:
| شاخص | روش مرجع | روش جدید |
| سخت‌افزار | CPU سی‌ودوهسته‌ای | یک GPU از خانواده NVIDIA Hopper |
| نوع محاسبه | شبیه‌سازی با شبکه ریزدانه | AI Homogenization و شبکه درشت‌دانه |
| زمان اجرا | حدود ۱۸ ساعت | حدود ۴۱ ثانیه |
| تعداد عناصر شبکه | حدود یک میلیارد وکسل | حدود یک میلیون سلول |
| دقت هدایت حرارتی عمودی مؤثر | مبنای مقایسه | ۹۹.۱۷ درصد |
بر اساس اعلام سامسونگ، این فرایند ترکیبی حدود ۱۶۰۰ برابر سریع‌تر از روش مرجع بوده و دقت ۹۹.۱۷ درصدی را در پیش‌بینی هدایت حرارتی عمودی مؤثر حفظ کرده است.
نکته مهم این است که این مقایسه میان دو روش محاسباتی متفاوت انجام شده است؛ بنابراین عدد ۱۶۰۰ برابر را نباید به‌عنوان افزایش سرعت خام یک GPU نسبت به CPU یا نتیجه یک بنچمارک عمومی سخت‌افزاری در نظر گرفت.
نقش فناوری‌های NVIDIA در توسعه شبیه‌سازی‌های پیشرفته
این همکاری فقط به استفاده از یک GPU قدرتمند محدود نیست و مجموعه‌ای از ابزارهای نرم‌افزاری و محاسباتی NVIDIA را در بر می‌گیرد.
مهم‌ترین فناوری‌های مورد استفاده عبارت‌اند از:
- NVIDIA PhysicsNeMo: چارچوب توسعه مدل‌های هوش مصنوعی مبتنی بر قوانین فیزیک که برای پیش‌بینی رفتار سیستم‌های پیچیده و تسریع فرایندهای مهندسی استفاده می‌شود.
- NVIDIA Warp: چارچوب برنامه‌نویسی پایتون برای اجرای شبیه‌سازی‌های علمی با شتاب‌دهی GPU.
- NVIDIA cuISS و cuDSS: کتابخانه‌هایی برای تسریع محاسبات مربوط به دستگاه‌ها و سیستم‌های خطی تنک در شبیه‌سازی‌های نیمه‌رسانا.
- NVIDIA cuEST: فناوری مورد استفاده برای تسریع محاسبات ساختار الکترونی در تحقیقات مواد.
- NVIDIA cuEquivariance: مجموعه ابزارهایی برای تسریع عملیات تانسوری در آموزش و اجرای مدل‌های هوش مصنوعی اتمی.
سامسونگ همچنین اعلام کرده است که برخی محاسبات شیمی کوانتومی در پلتفرم اختصاصی sMOL این شرکت، با استفاده از NVIDIA cuEST تا پنج برابر سریع‌تر شده‌اند. این بهبود مربوط به مجموعه‌ای از محاسبات منتخب و به‌صورت End-to-End گزارش شده است.
نقش عامل‌های هوش مصنوعی در خودکارسازی طراحی تراشه
یکی دیگر از محورهای همکاری سامسونگ و NVIDIA، استفاده از عامل‌های هوش مصنوعی برای خودکارسازی گردش کار مهندسی است.
در این رویکرد، عامل هوش مصنوعی می‌تواند هدف طراحی را دریافت کند و بر اساس آن، ورودی‌های موردنیاز شبیه‌سازی مانند هندسه ساختار، مشخصات مواد و شرایط مرزی را تنظیم کند.
سپس با استفاده از NVIDIA Agent Toolkit، ابزارهای شبیه‌سازی و مدل‌های پیش‌بینی را فراخوانی می‌کند، نتایج را ارزیابی می‌کند و گزینه‌های بعدی طراحی را برای بررسی انتخاب می‌کند.
در این معماری، عامل هوش مصنوعی وظیفه مدیریت ابزارها و مراحل اجرایی را بر عهده دارد؛ اما محاسبات فیزیکی همچنان توسط مدل‌های تخصصی و حل‌گرهای عددی انجام می‌شوند.
هدف نهایی این همکاری، توسعه مهندسان هوش مصنوعی خودکار (Autonomous AI Engineers) است؛ سیستم‌هایی که بتوانند بخش بیشتری از مراحل تکراری طراحی، شبیه‌سازی، بررسی نتایج و بهینه‌سازی تراشه را انجام دهند.
تاثیر شتاب‌دهی GPU بر آینده صنعت نیمه‌رسانا
یکی از چالش‌های اصلی صنعت نیمه‌رسانا، افزایش زمان و هزینه تحقیق و توسعه با پیچیده‌تر شدن معماری تراشه‌هاست. هرچه ساختار قطعات کوچک‌تر و بسته‌بندی تراشه‌ها پیشرفته‌تر شود، تحلیل دقیق رفتار حرارتی و مکانیکی اهمیت بیشتری پیدا می‌کند.
ترکیب هوش مصنوعی و پردازش شتاب‌یافته GPU می‌تواند تعداد شبیه‌سازی‌های قابل‌اجرا در یک بازه زمانی مشخص را افزایش دهد. در نتیجه، مهندسان قادر خواهند بود گزینه‌های طراحی بیشتری را پیش از ساخت نمونه فیزیکی بررسی کنند.
این موضوع علاوه بر کاهش زمان توسعه، می‌تواند به شناسایی زودتر مشکلات طراحی، بهینه‌سازی شرایط تولید و کاهش هزینه آزمایش‌های فیزیکی کمک کند.
جمع‌بندی: رویداد NVIDIA AI Day Seoul 2026
همکاری سامسونگ و NVIDIA نشان می‌دهد کاربرد GPU در صنعت نیمه‌رسانا فراتر از طراحی و آموزش مدل‌های هوش مصنوعی است. استفاده از GPU در کنار یادگیری ماشین علمی و مدل‌های مبتنی بر قوانین فیزیک، امکان تسریع شبیه‌سازی‌های پیچیده مهندسی را فراهم کرده است.
کاهش زمان یک شبیه‌سازی حرارتی و مکانیکی از ۱۸ ساعت به ۴۱ ثانیه، یکی از نمونه‌های قابل‌توجه این رویکرد است. هرچند این نتیجه به یک سناریوی آزمایشی مشخص مربوط می‌شود، اما نشان می‌دهد ترکیب AI و GPU می‌تواند فرایند تحقیق و توسعه تراشه را سریع‌تر و کارآمدتر کند.
