2026/11/5

芯片仿真在 NVIDIA GPU 上最高加速 35 倍

有趣的网络

NVIDIA 在一篇博客文章中一次性汇总了其库在半导体制造工程软件中的多个工业落地案例。其中最实用的一项并不只与微电子相关。在 COMSOL Multiphysics 6.4 中，NVIDIA cuDSS GPU 求解器已内置于标准求解器集合，适用于任何单物理场或多物理场模型。已经做好的计算可以在不改动物理场设置的情况下转到显卡上运行，而据 NVIDIA 的数据，在半导体问题上 COMSOL 可获得最高 10 倍的加速。

其余合作伙伴给出的数字更高。Siemens 将 NVIDIA cuLitho 集成进光刻软件包 Calibre，在关键计算上获得最高 17 倍的加速。Applied Materials 称其 ACE+ 平台中的形貌仿真加速了 35 倍。Advantest 借助 NVIDIA 的 AI 智能体，把测试环节的响应时间从数小时缩短到数分钟。

COMSOL 为所有许可类型把求解器搬到显卡上

在有限元方法中，耗时最多的是对大型稀疏方程组的反复求解。这类方程组出现在隐式时间积分、非线性求解器的迭代、特征频率分析以及参数化扫描中。正如 Tyler Donegan 在 2026 年 10 月 14 日的 COMSOL 博客中所写，直接稀疏求解器 cuDSS 正是借助 GPU 的内存带宽和并行性加速了这一环节。因此，问题中这类重复求解越多，收益很可能就越明显。

设想一位工程师在调试工艺腔体的参数，对数十种几何方案做扫描，同时涉及热、电和机械应力。过去他要在简化模型和用 CPU 跑一整夜之间做选择。现在同一个项目可以不重建模型就放到显卡上运行。COMSOL 把条件直接列了出来：

GPU 求解器以及在 GPU 上训练代理神经网络模型，都属于所有许可类型的标准安装内容；
只需要一块兼容的 NVIDIA 显卡和驱动程序；
在 GPU 上进行时域显式的压力声学计算需要 Acoustics Module 模块。

“最高 10 倍”这个数字是 NVIDIA 材料中的概括性评估。在 COMSOL 自己用 NVIDIA RTX Pro 6000 Blackwell Max-Q 96 GB 显卡对半导体模型所做的测试中，相比成熟的 CPU 配置，提升幅度视问题而定，从两倍多到 13 倍不等。实际收益取决于线性方程组求解在整个计算中所占的比重。

Applied Materials 加速从原子到车间的整条链条

Applied Materials 同时在多个层面接入 NVIDIA 的库。其 Ginestra 平台在使用 cuDSS 后，运行速度比仅用处理器快最多 10 倍。NVIDIA 2026 年 7 月 26 日的技术博客进一步说明，这使得可以针对材料组合和反应路径跑成千上万次虚拟实验。同一篇文章还给出了使用 cuEST 库进行密度泛函理论计算的实测数据：一个在 64 个 CPU 核心上要跑五天的问题，在单块 NVIDIA B200 上约两小时即可解出，相当于约 55 倍。

在 ACE+ 平台中，加速是通过另一种方式实现的。PhysicsNeMo 框架把多物理场仿真的结果转化为可实时运行的数字孪生。形貌建模最高快 35 倍，参数还可以交互式地探索。Lam Research 展示了类似的思路：据 NVIDIA 的数据，PhysicsNeMo 能在毫秒级预测刻蚀工艺中等离子体的行为，而完整仿真需要数天。

这条链条的最上层，是基于 Omniverse 库构建的整座工厂的数字孪生。Applied Materials 在其中模拟物料流转、寻找瓶颈，并在真实生产线做出改动之前比较布局和运行策略。

光刻与测试

在计算光刻领域，也就是计算电路图形如何转印到硅片上，NVIDIA 谈到了在量产规模下 CPU 难以承担的任务。把 cuLitho 集成进 Siemens Calibre 后，关键负载最高加速 17 倍。NVIDIA 表示，这扩大了工程师在光刻晶圆之前能够验证的范围。至于这一数字具体出自哪些任务、在什么硬件上得出，材料中并未披露。

Advantest 使用 NVIDIA NeMo Switchyard 的智能体来为具体任务挑选 AI 模型。在测试环节，这原本是一个耗时数小时的串行人工流程，如今数分钟即可得到答案。材料中没有关于该流程本身以及 NeMo Switchyard 许可方式的细节。

NVIDIA 这样概括其整体构想：

“半导体制造的未来在于把这些能力结合起来：生产数据为模型提供养料，模型评估变更，而结论再回到工程师手中，由他们做出生产决策。”

在工厂之外谁会用得上

对多数工程师读者而言，这组消息中最重要的是 COMSOL。该求解器适用于任何多物理场模型，包括微电子之外的问题，而且不需要单独的许可。从说明来看，拥有合适 NVIDIA 显卡的工作站用户只需升级到 6.4，然后在自己的问题上对比耗时即可。不过这种加速建立在 CUDA 之上，面向的是 NVIDIA 显卡。

Applied Materials、Siemens 和 Lam Research 的数字涉及封闭的工业软件包，外界很难核实。像 ACE+ 以及 Lam Research 的等离子体案例那样用物理数据训练模型的做法，也有自己的代价。快速响应很可能只有在用完整仿真的结果完成训练之后才能实现，所以完整计算依然是必需的。35 倍的加速看来是指在已经研究过的区域内探索参数；从零计算新的物理过程仍然需要完整仿真。

谁的 GPU 加速结果更让你印象深刻？