原文標題：NVIDIA and Semiconductor Leaders Advance AI Across Chip Design and Manufacturing for AI-Defined Fabs

NVIDIA 於 10 月 14 日宣布擴大 CUDA-X 軟體堆疊在半導體研發與製造的應用。新推出的 cuPotential 函式庫可供開發者建立模擬原子與分子互動的 AI 代理程式，目標是讓材料與製程模擬從傳統數值計算流程，延伸到由 AI 協助搜尋與評估的工作方式。NVIDIA 表示，在早期存取測試中，cuPotential 相較已使用 GPU 最佳化的工作流程，還能再提供約 2 至 3 倍的加速；這是特定測試結果，並非所有模擬工作的保證。

除了材料層級的模擬，NVIDIA 也強調其他 CUDA-X 工具在晶圓製造流程的角色。開源三維資料處理函式庫 NanoVDB 用於模擬所需的空間資料結構；官方指出 Lam Research 透過相關技術達到 30 倍的模擬加速。NVIDIA Performance Primitives（NPP）則提供 GPU 影像處理能力，KLA 將其用於晶片檢測相關流程，以處理大量影像資料。

這次公布的採用者包括 Applied Materials、Cadence、KLA、Lam Research、Siemens 與 Synopsys。這些公司分別涵蓋材料設備、電子設計自動化、量測檢測與製程模擬，說明 GPU 加速不只應用於生成式 AI 模型訓練，也開始更深入地嵌入晶片設計、製造與測試的既有軟體工具。

對晶圓廠而言，製程開發往往需要反覆驗證材料、設備參數與製程條件。若模擬時間縮短，研發團隊可能在相同時間內評估更多候選方案；若影像檢測處理效率提升，則有機會改善缺陷分析與製程回饋速度。但從單一函式庫或測試工作負載的加速數字，不能直接推論晶圓良率或整座工廠產能將同比例增加。

發生了什麼事

NVIDIA 發表 cuPotential，並展示 NanoVDB、NPP 等 GPU 加速工具在半導體模擬與檢測的實際採用案例。

為什麼重要

半導體研發的瓶頸不只在晶片運算力，也在材料模擬、設備參數搜尋與海量檢測資料的處理速度；工具鏈改善可能縮短設計與驗證週期。

影響哪些人

設備商、EDA 軟體供應商、晶圓廠製程工程師與研發團隊是直接受影響者，開發者則可評估 CUDA-X 與既有模擬流程的整合成本。

已確認與未確認

官方確認 cuPotential 早期測試額外加速約 2 至 3 倍，Lam Research 案例模擬加速達 30 倍；尚未提供所有場景的測試條件、實際量產良率改善或整廠投資回報。