cuPotential de NVIDIA vient enrichir de manière ciblée CUDA-X : cet ensemble de primitives optimisées pour GPU accélère les simulations atomiques et moléculaires et les rend plus accessibles aux chaînes d’outils de développement. Au lieu de recourir à des calculs CPU lents et conçus sur mesure ou à des noyaux GPU réglés à la main, cuPotential fournit des fonctions prêtes à intégrer pour calculer à grande échelle les forces et les potentiels interatomiques. Pour les équipes du secteur des semi-conducteurs qui modélisent des matériaux, des couches minces, des interactions plasma ou des profils de gravure, cela simplifie le lancement de nombreuses simulations fondées sur des hypothèses et permet aux ingénieurs d’intégrer plus tôt les retours à l’échelle atomique dans les cycles de conception.
Le changement le plus important ne tient pas uniquement à la vitesse brute, mais à la manière dont elle transforme les flux de travail. Lorsque les simulations atomiques passent de plusieurs heures ou jours à quelques minutes, les agents IA peuvent exécuter des séries d’expériences candidates, en évaluer les résultats à l’aide de modèles de substitution appris et enchaîner les étapes d’optimisation grâce au raisonnement symbolique ou appris. NVIDIA annonce une accélération supplémentaire de 2 à 3 fois par rapport à du code déjà optimisé pour GPU lors de l’accès anticipé. Associées à d’autres bibliothèques CUDA-X (cuEST, cuDSS, NanoVDB, NPP), ces avancées génèrent des gains de bout en bout bien supérieurs pour des étapes connexes comme la simulation de chambres, le traitement de voxels 3D et l’analyse des inspections. L’impact des stratégies d’agents, auparavant limité par le coût des simulations, s’en trouve démultiplié.
De grands fournisseurs d’outils EDA et d’équipements intègrent déjà ces primitives, un point crucial puisque les usines de semi-conducteurs sont des systèmes où interagissent physique et données. Cadence, Synopsys, Applied Materials, Lam Research et KLA s’appuient sur les bibliothèques CUDA-X pour raccourcir les cycles entre conception et validation, automatiser l’analyse des causes racines lors des inspections et déployer à grande échelle des jumeaux numériques pour optimiser les équipements et les procédés. Pour les responsables produits et R&D, cela signifie détecter plus tôt les fragilités de conception, mener des expériences virtuelles plus réalistes sur de nouveaux matériaux et de nouvelles recettes de procédé, et évaluer les mesures d’amélioration du rendement grâce à la planification d’essais par des agents plutôt qu’à des simulations isolées.
L’adoption soulève des questions pratiques : quelles étapes confier à un agent, comment maîtriser les coûts de calcul et dans quels cas faire confiance aux modèles de substitution plutôt qu’aux simulations physiques complètes. Les équipes doivent instrumenter les flux de données afin que les agents accèdent à des résultats de simulation validés, intégrer les bibliothèques accélérées par GPU aux pipelines CI et mettre en place des garde-fous empêchant les agents de recommander des changements de production non validés. Investisseurs et exploitants doivent s’attendre à voir les capitaux se diriger vers des grappes de simulation équipées de GPU, des outils de validation des modèles et des expériences hybrides mêlant numérique et physique, plutôt que vers de simples licences EDA supplémentaires.