NVIDIA 推出 cuPotential，進一步拓展 CUDA‑X 的應用範疇。這套 GPU 最佳化基元可讓原子與分子模擬運算更快，也更容易整合至開發者工具鏈。cuPotential 不必依賴客製化、速度緩慢且受 CPU 限制的運算，或手動調校的 GPU 核心，而是提供可直接整合的函式，讓使用者大規模計算原子間作用力與勢能。對於需要模擬材料、薄膜、電漿交互作用或蝕刻輪廓的半導體團隊而言，這能降低大量假設驅動模擬的門檻，讓工程師更早在設計迴圈中納入原子層級的回饋。

最關鍵的改變不只是運算速度提升，更在於速度如何重塑工作流程。當原子模擬從數小時或數天縮短至幾分鐘，AI 代理便能大量執行候選實驗、利用學得的替代模型評估結果，並透過符號或學習式推理串接最佳化步驟。NVIDIA 表示，早期存取測試中，相較於已經過 GPU 最佳化的程式碼，cuPotential 還能再加速 2–3 倍；搭配 CUDA‑X 函式庫（cuEST、cuDSS、NanoVDB、NPP），在腔體模擬、3D 體素處理與檢測分析等相鄰步驟中，整體效能提升幅度更大。這也放大了代理策略的效益，讓過去受限於模擬成本的策略得以發揮。

主要 EDA 與設備供應商已開始整合這些基元，這點格外重要，因為晶圓廠是由彼此耦合的物理現象與資料構成的系統。Cadence、Synopsys、Applied Materials、Lam Research 和 KLA 正運用 CUDA‑X 函式庫縮短從設計到驗證的週期、自動化檢測中的根因分析，並擴大設備與製程最佳化所需的數位孿生規模。對產品與研發主管而言，這代表能更早發現設計弱點、以更貼近實際情況的虛擬實驗測試新材料與製程配方，並透過代理式試驗規劃評估良率改善措施，不再只依賴單次模擬。

導入這項技術也帶來實務上的抉擇：工作流程中的哪些部分應交由代理處理、如何控管運算成本，以及何時該信任替代模型、何時必須進行完整的物理模擬。團隊必須完善資料流程，確保代理能取得經驗證的模擬輸出；將 GPU 加速函式庫整合至 CI 管線；並建立安全檢查，避免代理提出未經驗證的生產變更。投資人與營運者應預期資本將投入 GPU 加速模擬叢集、模型驗證工具，以及虛實混合實驗，而不只是增加 EDA 授權數量。