半导体 TCAD 代理模型:以 FP-DDM 域分解与刻蚀代理为例

新
许可证: Apache-2.0(PhysicsNeMo 仓库);DAC 2026 论文版权归作者 · 更新于 2026-11-11
我的评分

一、简介

半导体 TCAD 的成本曲线与 AI 代理的适用区间之间存在一段长期空缺。工艺 TCAD 覆盖沉积、光刻、刻蚀、离子注入等物理化学步骤,器件 TCAD 则从工艺输出的三维结构出发计算电学行为。NVIDIA 在其技术博客中给出了一个常被引用但很少被拆解的量级:这类仿真「可能耗时数周」。当设计探索需要在几十种配方组合上评估成千上万个工艺用例时,纯求解器驱动的迭代节奏很难跟上。

本站此前收录的这条案例把这件事描述得过于顺滑:它称 PhysicsNeMo 的 TCAD 示例「以数据驱动模型替代重复的器件级数值求解」,并把目标场景写成「3D-IC 与先进封装的热-电协同设计」。本次核查发现两处口径问题需要在长文里说清楚。

其一,NVIDIA PhysicsNeMo 仓库 examples/tcad 目录下当前只有一个子示例 fp_ddm,做的是稳态二维热传导方程的重叠 Schwarz 域分解,配套的是二维平面应力弹性对比。它既不是漂移扩散方程的器件级求解,也不是三维 IC 的封装热分析。其二,真正进入产业界公开叙述的工业案例来自 SK hynix 的 TCAD Intelligence 团队,方向是刻蚀工艺的形貌预测,属于工艺 TCAD 一侧,与器件电学代理是两条不同的技术路径。

本篇因此把叙事锚定在两个可验证的支点上:一是 DAC 2026 论文提出的 FP-DDM 框架及其开源参考实现(芯片级热-应力分析、界面一致性通过重叠区自动微分显式优化、目标扩展到百亿单元量级),二是 SK hynix 团队在 PhysicsNeMo 上迭代刻蚀代理的一手方法学记录(从 MeshGraphNet 出发,经 Chamfer 损失、逐迭代重网格、特征筛选、多尺度消息传递、材质特征更新六步改良)。两者共同回答一个工程问题:把物理求解器换成代理之后,哪些精度承诺是可以核对的,哪些仍然必须留在求解器一侧。

站内已有 tools/physicsnemos 介绍框架本身,guides/pinn-landscape-2026 讨论物理约束神经网络的方法学边界,collections/surrogate-modeling-rom 给出降阶与代理的一般分类,本篇补上的是半导体工艺与器件这一具体纵切。

二、原理与工作方式

FP-DDM 的全称是 Foundation-model-based Physics-guided adaptation for the Domain Decomposition Method,思路是把大规模多物理场问题切成带重叠的子域,用神经算子充当子域求解器,再通过显式优化重叠区的界面值来强制各子域之间的一致性。

OpenFAST 之外的多物理场耦合一向受限于单进程内存。FP-DDM 针对的正是这一点:其论文摘要称在热与应力问题上达到数值求解器级别的精度,并扩展到百亿单元量级的域,同时支持版图设计优化,指向下一代系统-工艺协同优化(STCO)。关键机制是界面一致性的处理方式——重叠区的边界值不靠显式迭代交换隐式逼近,而是通过自动微分直接优化,因此收敛路径与经典 Schwarz 的迭代松弛不同。

开源参考实现的数学对象是稳态二维热传导方程:空间变导率、体热源、狄利克雷温度边界条件。每个子域可以用两种方式求解——一是配套的无矩阵有限体积参考求解器(配置键沿用原脚本的 fem,其局部实现是 thermal.py 里的无矩阵有限体积模板),二是物理信息约束的 PhysicsNeMo FNO。

FNO 的训练不使用解标签。目标函数由热方程残差与边界残差组合而成,因此子域几何、材料分布与边界条件的变化不必靠新的仿真数据覆盖。分解求解的每一轮迭代执行五步:可选地用与训练相同的物理与边界损失在当前子域批次上做测试时适配;用配置的局部求解器解出每个重叠子域;从相邻重叠区更新各个人工边界;度量界面一致性并汇总全局诊断量;按容差、迭代上限或耐心上限停止。

界面更新有三种处理器可选:parallel 在一个批次步内优化所有人工边界,gradient 顺序更新各子域,exchange 直接做松弛狄利克雷交换。停止度量是重叠区 RMSE,示例明确指出触及 max_iterations 只代表迭代预算耗尽,不构成收敛判据。

弹性方向提供的是数值对照基线。示例用一个制造解的二维平面应力弯曲问题,在整个外边界施加位移狄利克雷条件,比较 2×2 重叠域分解结果与使用同一无矩阵弹性算子的单体求解,打印相对位移误差与应力误差,并输出单体结果、域分解结果与两者绝对差的三联图。示例本身写明,这条路径不训练也不使用弹性 FNO,因此它不构成神经 FP-DDM 的结果。

三、适用边界与前提

先看参考实现自陈的边界,因为它比论文摘要更能说明当前可用程度。仓库对该示例的定位是「FP-DDM 算法的研究示例,不属于经过验证的生产级仿真器」,并指出冒烟检查点只能验证流程可执行,神经求解器的精度必须用持续训练建立,并与其确切配置一并报告。

规模限制同样写明。扩展到很大的全局问题需要分布式持有子域与界面,而该示例当前在单进程上批处理局部求解,并把装配好的全局场保留下来用于诊断。参考实现的合成全局布局要求方形子域网格配方形子域块。默认算例使用零热源,与原始 FP-DDM 设置一致。全域参考解是可选的,需显式开启,且最多支持 26 个子域,更大的请求会发出告警并继续执行,不提供参考度量。

有几个容易被忽略的细节会直接影响复用判断。检查点选择方面,训练把最新可恢复状态写入 checkpoints/latest,把孤立块验证损失最低的模型写入 checkpoints/best,但示例明确指出后者未必是递归 Schwarz 展开下的最佳检查点,因此需要在有代表性的分解方案上校验候选检查点。测试时适配默认关闭,需要显式设置步数才会启用。合成材料布局由 SciPy 与 OpenSimplex 提供,Matplotlib 与 ImageIO 只用于可视化输出。

从物理层面看,还有几层前提需要说清。热传导算例是稳态、二维、纯热学,没有对流项、没有辐射耦合、没有瞬态项。弹性对照是制造解问题,用于验证域分解流程本身的正确性。示例没有涉及器件电学——电流输运、载流子输运、界面态、掺杂相关输运模型都不在这条代码路径上。

因此,把这条链路当成「TCAD 全流程代理」是不成立的。它当前覆盖的是芯片热与机械应力问题中的一段,而且是在分解框架内用神经算子替代局部热求解器。

四、上手路径

环境准备走 PhysicsNeMo 的官方容器路线最省事,NVIDIA 容器里已经预装 PyTorch 与 CUDA 依赖,克隆仓库后按需安装示例依赖即可。示例依赖文件位于 examples/tcad/fp_ddm/requirements.txt。

训练一个 FNO 的默认入口是直接运行 train.py,配置由 Hydra 管理,所有设置项都可以用 Hydra override 覆盖。分布式训练用同一个入口加 torchrun,例如以 --standalone --nproc_per_node=4 启动,并把输出目录指向 training.output_dir。断点续训用 training.resume_dir 指向 checkpoints/latest 所在路径。

跑通流程建议按参考实现给出的顺序,先走数值路径再走神经路径。先跑有限体积参考解:设置 run.solver=fem,给出子域网格的行列数(如 domain.rows=3 与 domain.columns=3),把迭代上限设为 10,关闭可视化并指定输出目录。这一步验证的是分解流程与指标记录本身,与模型质量无关。

再换成神经路径:设置 run.solver=fno 并用 run.checkpoint_dir 指向训练产出的 checkpoints/best,把迭代上限提高到 50,同样关闭可视化。此时若要启用物理引导的测试时适配,追加 run.ttt_steps=<步数>;不加这个参数时,测试时适配保持关闭,检查点被直接使用。

弹性对照单独运行 run_elasticity.py,它会打印相对位移与应力误差,并在输出目录写出对照图;若只需要数值结果,加 --no-plot 跳过绘图。

每次运行会写出解析后的 Hydra 配置、逐迭代指标,以及在请求时写出 NumPy 参考场。可视化还会输出静态导率图、温度图、迭代序列与 MP4 动画。

有一处工程细节值得单独提示:分布式训练与分布式求解是两件事。torchrun 只解决训练侧的并行,参考实现明确说大域求解需要分布式持有子域与界面,当前版本未提供。把训练脚本改成分布式,并不等于获得了分布式求解能力。

五、横向对比

把 FP-DDM 放到物理 AI 的工具谱系里对比,有助于看清它的独特定位。

对比对象一是 FNO 的整域直接回归,即 tools/neuraloperator 覆盖的路径。整域 FNO 在规则网格上表现优异,但对芯片级问题这类超大域且强依赖分区结构的场景,内存与训练成本都不现实。FP-DDM 的贡献正是用分解绕开这个瓶颈,代价是引入界面一致性问题。

对比对象二是经典的 Schwarz 域分解本身,参考实现中的 fem 路径就是它。FP-DDM 在此之上叠加了神经局部求解器与基础模型式的物理引导适配。数值路径的存在也有工程意义:它是神经路径的对照基准,没有这个基准,神经解的精度声明无从验证。

对比对象三是 PhysicsNeMo 仓库内其他域的同类示例。cases/physicsnemo-reservoir-simulation 用的 X-MeshGraphNet 走的是图神经网络路线,配合有限体积格式油藏数据,能处理断块、尖灭等不规则连接。FP-DDM 走的是算子路线加显式界面优化,适合有明确偏微分方程结构、可用物理残差约束的问题。两者的分野可以概括为:油藏代理学的是「在网格图上如何传递状态」,FP-DDM 学的是「如何在子域边界上如何对齐解」。

对比对象四是 SK hynix 的刻蚀代理。它基于图网络模拟器(GNS),用数值时间推进与 GNN 结合来刻画几何随时间的演化,适合刻蚀形貌这种几何持续变化的过程。README 里的方法学表格清楚显示,选择这个架构的原因是神经算子通常需要大数据集、在数据稀缺场景吃力,而 GNS 只需捕获局部相互作用就能表示关键物理性质,所需训练数据量小得多。

对比对象五是纯数据驱动的图网络代理,SK hynix 的起点 MeshGraphNet 本身就在这个范畴。FP-DDM 选择物理信息训练(FNO 无解标签训练),路线上更靠近 collections/pinn-getting-started 讨论的物理约束学习。

工程取舍由此清晰:算子路线适合方程已知、残差可算的场景;图网络路线适合状态在离散图上传播、几何动态演化的场景。

六、基准与数据

FP-DDM 论文在 DAC 2026 会议录中发表,题名为 Neural Domain Decomposition for Scalable Multi-Physics: Chip-Scale Thermal-Stress Analysis,作者包括 Min-Chul Park、Ji-Hye Lee、Sungyeop Lee、Giyong Hong、Seokki Lee、In Huh、Hong-hyun Park、Hyunjae Jang、Changwook Jeong、Young-Gu Kim 与 Dae Sin Kim,机构跨越 Samsung Electronics、Samsung Semiconductor、UNIST 与蔚山国立科技大学,DOI 为 10.1145/3770743.3803918。论文给出的关键量级是:热与应力问题上达到数值求解器级别的精度,扩展到百亿单元量级的域,并支持版图设计优化。

会议摘要对该方法的描述有两个技术要点值得记下。一是界面一致性的实现路径——把域划分为重叠子域,并通过自动微分在重叠区显式优化边界值来强制一致,实现快速对齐。二是泛化机制——提出一种能有效学习多物理场并迁移到新域的基础架构,结合基础模型适配与物理引导测试时适配,在无标签条件下泛化到新物理与未见过的域。

参考实现没有附带公开基准数据集。它在运行时即时生成局部热问题,用 SciPy 与 OpenSimplex 构造平滑的合成材料布局,因此可复现的是流程与指标,不是与论文数字一一对应的数值表。这一点在引用时需要严格区分:论文报告的精度结论与仓库示例可复现的运行结果属于两件事。

SK hynix 案例同样以方法学为主,缺少可搬运的数值表。NVIDIA 技术博客《Using AI Physics for Technology Computer-Aided Design Simulations》发表于 2025 年 12 月 17 日,作者为 Ram Cherukuri、Kihang Youn、Gyuseung Han、Min Kang、Hwiwon Seo 与 Junghan Kim,Yiyi Wang 与 Alexey Kamenev 对项目有贡献。博客中的方法学表格逐项列出六步改良及其对应效果:采用 MeshGraphNet 使显存需求下降;用 Chamfer 损失计算速度使训练损失下降;逐迭代重网格提升推理精度;特征筛选提升推理精度;多尺度消息传递使训练损失下降;逐迭代更新材质特征提升推理精度。博客给出的是改进路径与方向,没有给出刻蚀形貌预测的绝对误差数字。

产业效果层面的表述是定性的:该团队认为 AI 增强的 TCAD 将成为半导体行业研发生产力的关键使能因素,借助加速的 TCAD 预测,工程师得以现实地评估由数十种配方组合产生的数万个工艺用例,使 TCAD 从定性指引走向定量优化框架。

这两组证据的强度不同:DAC 2026 论文给出了规模与精度的量级声明,SK hynix 博客给出了可复用的方法学改良序列。两者都不提供可以直接搬运到自家流程的通用误差预算。

七、物理 AI 场景中的用法

在半导体流程里,代理模型的落点不止一个,按价值密度排序大致有三层。

最靠前的是版图与结构设计的快速扫描。论文明确提到支持版图设计优化,这也是 FP-DDM 区别于一般 PDE 代理的地方:它面向的不是单点求解,而是把设计变量(布局、导率分布、热源位置)放进分解框架做迭代探索。这类问题如果每个候选布局都跑一次全芯片求解,成本几乎不可承受。

第二层是工艺方向的形貌代理。刻蚀这类过程的几何随时间演化,传统的参数扫描在深度学习时代被重新组织为「用代理替代过程仿真」。SK hynix 团队的路径是先用图网络模拟器捕捉局部相互作用,再通过损失函数设计与迭代策略把形貌预测精度逐步推上去,其中 Chamfer 损失用于速度场计算、重网格用于推理稳定性、材质特征逐迭代更新用于捕捉材料状态演化。

第三层是散热与机械可靠性的联合评估。芯片设计里热与应力从来不是两个独立问题,热梯度导致的热膨胀差异是应力的主要来源之一。域分解的框架结构天然适合这类多场耦合:每个子域内部求解耦合方程,界面的一致性由统一的显式优化机制保证。

物理 AI 的通用配方在这条链路上体现得很完整。物理信息训练(FNO 无解标签、用残差作损失)解决的是数据稀缺问题;域分解解决的是规模问题;测试时适配解决的是跨域泛化问题;数值对照基线(fem 路径)解决的是可信度问题。四个环节各自对应一类常见失败模式,组合起来的工程完整度高于单一技巧的堆叠。

与站内其他条目的互补关系也在这里。cases/openfoam-multiphysics 讲的是通用 CFD 多物理场流水线的边界,cases/battery-thermal-piml 讲的是电化学-热耦合的代理建模,两者在「多物理场 + 代理」这个交叉点上与本篇形成同一条线索的三段:通用求解器流水线、电池系统级热管理、芯片级热-应力分解。

八、不适用场景与失效模式

先划出明确的禁区。

器件电学问题不在范围内。漂移扩散方程的输运求解、载流子统计、界面陷阱与费米能级钉扎、掺杂剖面对结特性的影响,这些都属于器件 TCAD 的核心内容,而 FP-DDM 参考实现只处理热传导与弹性对照。把这条链路用于器件级电学代理属于用错工具。

三维问题同样不在当前实现内。示例是二维热方程与二维平面应力,虽然论文层面提到百亿单元量级,那是论文方法的实现规模,不等于仓库参考实现提供的能力。合成全局布局还额外要求方形子域网格配方形块,这限制了它在不规则芯片轮廓上的直接套用。

接下来是几种具体的失效模式。

检查点误选是最容易发生的一种。训练按孤立块验证损失选出的 best 检查点未必适合递归 Schwarz 展开,示例对此有明确提示。忽略这一点会导致神经路径在多轮迭代后发散或停滞,而此时容易误判为方法本身不适用。

把迭代预算耗尽当作收敛是第二种。示例把重叠区 RMSE 定为停止度量,但明确指出触及 max_iterations 只是预算上限。忽略残差或界面一致性趋势而只看是否跑完迭代轮次,会得到虚假稳定的结论。

测试时适配的收益被高估是第三种。run.ttt_steps 默认关闭,需要显式开启。测试时适配用当前子域批次继续优化 FNO,效果依赖批次的物理多样性;在数据分布单一的场景里,适配可能只是把模型推向当前批次,对未见域的泛化未必改善。

物理残差与真实解之间存在缺口。FNO 训练靠热方程残差与边界残差组合,残差小不必然意味着界面一致性好或工程量准。当域之间材料导率差异大时,重叠区的线性插值假设会引入系统偏差,这类偏差在残差指标上可能不明显。

最后是规模与并行度的混淆。把分布式训练当成获得分布式求解能力,是这条链路上最容易犯的工程错误。参考实现写明大域求解需要分布式持有子域与界面,当前版本未提供。

九、版本与口径核对

本节逐条记录本篇写作过程中对原条目口径的修正及其依据,便于引用时对照。

第一条,关于示例目录的实际内容。原条目称 PhysicsNeMo 的 TCAD 示例「以数据驱动模型替代重复的器件级数值求解」,输入为「几何/掺杂剖面、偏置条件」,输出为「场/电流分布或标量优值」。核查结果:examples/tcad 当前只有 fp_ddm 一个子示例,处理稳态二维热传导方程与二维平面应力弹性对照,输入为合成导率分布、体热源与温度边界,输出为温度场与位移/应力误差,不涉及掺杂剖面、偏置条件或电流分布。原条目描述的是器件 TCAD 的一般形态,不是该示例的实际接口。

第二条,关于场景定性。原条目写「面向 3D-IC 与先进封装的热-电协同设计」。核查结果:参考实现为二维稳态热问题加二维平面应力弹性对照,属热-力耦合,方向是热-应力,未包含电学耦合;3D-IC 与先进封装层面的三维热-电分析不在该代码路径上。三维与芯片级布局优化的主张来自 DAC 2026 论文的方法描述,属于论文层面的能力声明。

第三条,关于刻蚀与器件电学的区分。原条目未提及工业案例,也未区分工艺 TCAD 与器件 TCAD。核查结果:公开可查的工业案例是 SK hynix TCAD Intelligence 团队的刻蚀工艺代理(工艺 TCAD 方向),与器件电学代理属两条独立技术路径。引用时不应把两者混为一谈。

第四条,关于 TCAD 的组成。NVIDIA 技术博客将 TCAD 拆为两部分:工艺 TCAD 建模沉积、光刻、刻蚀、离子注入等物理化学步骤;器件 TCAD 从工艺预测的三维结构出发建模电学行为。原条目笼统称「TCAD 在器件级求解漂移扩散或蒙特卡洛输运」,遗漏了工艺侧这一实际承载工业案例的方向。

第五条,关于三维 FNO 与其他架构的定位。NVIDIA 博客中给出的入门路径是:先用涡脱落示例复现 MeshGraphNet 训练管线,再定制到自有数据,也可评估 DoMINO 或 Transolver 等架构,并借助内置分布式能力扩展到三维芯片尺度仿真。这是框架的使用建议,与 tcad/fp_ddm 参考实现不是同一条工作流,混用会导致对示例能力的误判。

第六条,关于精度主张的引用边界。FP-DDM 论文的「达到数值求解器级别的精度」与「扩展到百亿单元」是论文结论,引用时应署明 DAC 2026 论文;仓库示例自陈是研究示例,不属于生产级仿真器,且精度必须由持续训练建立并连同配置报告。两者不可互换标注。

第七条,关于数据可得性。参考实现在运行时即时生成合成局部热问题,不附带公开基准数据集。因此可复现的是流程、指标与接口,论文数值不属可复现范围。引用精度数字时应指向论文,不应指向仓库示例。

第八条,关于检查点语义。训练产出的 checkpoints/best 是按孤立块验证损失选出的,示例明确指出其未必是递归 Schwarz 展开下的最优检查点。这是评估环节的必需提示,原条目完全没有涉及。

第九条,关于停止判据。停止度量是重叠区 RMSE,触及迭代上限只代表预算耗尽,不构成收敛。原条目未涉及迭代层面的任何判据,扩写时必须补上,否则容易把未收敛的展开当作结果。

第十条,关于工程成熟度的表述口径。参考实现要求分布式持有子域与界面才能扩展到大域,当前版本在单进程批处理局部求解。全文对此统一采用「研究示例」的定性,不用「生产级可用」的口径。

第十一条,关于年份与许可。条目 year 字段由 2023 调整为 2026,理由是示例的 FP-DDM 路径与 DAC 2026 论文同期落地,且原 2023 对应不上任何本篇引用的实证来源。PhysicsNeMo 仓库以 Apache-2.0 发布,DAC 2026 论文版权归作者,许可字段按此分列。

十、参考资料

  1. NVIDIA PhysicsNeMo 仓库 examples/tcad/fp_ddm 参考实现与 README,https://github.com/NVIDIA/physicsnemo/tree/main/examples/tcad/fp_ddm
  2. Park M.-C., Lee J.-H., Lee S., Hong G., Lee S., Huh I., Park H.-H., Jang H., Jeong C., Kim Y.-G., Kim D. S., “Neural Domain Decomposition for Scalable Multi-Physics: Chip-Scale Thermal-Stress Analysis”, Proceedings of the 63rd ACM/IEEE Design Automation Conference (DAC ‘26), 2026, DOI 10.1145/3770743.3803918
  3. DAC 2026 会议录论文摘要页,Session “Hot Chips & Cool Models: AI Turns Up the Heat on Silicon Design”, https://63dac.conference-program.com/presentation/?id=RESEARCH158
  4. Cherukuri R., Youn K., Han G., Kang M., Seo H., Kim J., “Using AI Physics for Technology Computer-Aided Design Simulations”, NVIDIA Technical Blog, 2025-12-17, https://developer.nvidia.com/blog/using-ai-physics-for-technology-computer-aided-design-simulations/
  5. NVIDIA PhysicsNeMo 示例总览 examples/README.md(含 TCAD 与 Reservoir Simulation 的架构对照表),https://github.com/NVIDIA/physicsnemo/blob/main/examples/README.md
  6. Li Z., Kovachki J., Azizzadenesheli K., Liu J., Bhattacharya K., Stuart A., Anandkumar A., “Fourier Neural Operator for Parametric Partial Differential Equations”, arXiv:2010.08895, 2020
  7. Li Z., Kovachki J., Azizzadenesheli K., Liu J., Bhattacharya K., Stuart A., Anandkumar A., “Physics-Informed Neural Operator for Learning Partial Differential Equations”, arXiv:2111.03794, 2021
  8. NVIDIA PhysicsNeMo 文档站(安装、用户指南与 API 参考),https://docs.nvidia.com/physicsnemo/latest/index.html
  9. NVIDIA PhysicsNeMo 官方容器目录(NGC),https://catalog.ngc.nvidia.com/orgs/nvidia/teams/physicsnemo/containers/physicsnemo
  10. NASA 开放源软件与开源 AI 模型公告(SC25 发布的 Apollo 预训练模型),https://blogs.nvidia.com/blog/apollo-open-models/
  11. Nabian M. A., Liu C., Ranade R., Choudhry S., “X-MeshGraphNet: Scalable Multi-Scale Graph Neural Networks for Physics Simulation”, arXiv:2411.17164, 2024
  12. NVIDIA Modulus / PhysicsNeMo 涡脱落示例(TCAD 代理入门路径参照),https://github.com/NVIDIA/physicsnemo/tree/main/examples/cfd/vortex_shedding_mgn
标签: