El radar
NVIDIA detalla cómo fabricantes de equipos y software de semiconductores usan cómputo acelerado, modelos de física y agentes para recortar tiempos de simulación y decisión en la manufactura de chips.
Fabricar chips avanzados implica procesos cada vez más complejos, y un error en una decisión de proceso o de calidad de yield tiene consecuencias reales en costo y tiempo. El cuello de botella no es solo técnico: cada análisis de ingeniería (cómo se comportará un cambio de proceso, cómo interactúa un material con un paso nuevo, a qué causa raíz corresponde un defecto) puede tomar días. Los experimentos físicos en la línea de un fab son lentos y caros, así que los equipos tienen pocas oportunidades de probar antes de comprometerse. NVIDIA describe esto como el punto de partida para lo que llama un 'fab definido por IA': una fábrica donde el cómputo acelerado, la física aprendida, los agentes y los gemelos digitales le dan a los ingenieros respuestas más rápidas sin quitarles el control de las decisiones.
La aceleración por hardware no solo hace que un cálculo individual corra más rápido: cambia cuántas alternativas podés evaluar antes de comprometerte a una prueba física. COMSOL, usando la librería NVIDIA cuDSS, acelera simulaciones multifísica (que modelan interacciones entre calor, comportamiento eléctrico y estrés mecánico) hasta 10 veces, lo que ayuda a comparar alternativas de equipos y procesos antes de decidir qué probar en planta. Applied Materials integró cuDSS en su plataforma de simulación atómica Ginestra, con el mismo factor de hasta 10x frente a enfoques solo con CPU, y usa NVIDIA PhysicsNeMo en su plataforma multifísica ACE+ para simulaciones de topografía hasta 35 veces más rápidas. En litografía computacional —el cálculo que define cómo se imprimen los patrones de circuitos en el silicio— la carga es tan intensiva que antes no se podía resolver a escala de producción solo con CPU; Siemens integró NVIDIA cuLitho en su software Calibre y logró hasta 17 veces más velocidad en cargas de simulación clave, lo que amplía cuánto se puede verificar antes de imprimir una oblea.
Además de acelerar la simulación en sí, hay otro camino: entrenar modelos de IA con física para que predigan cómo se va a comportar un material o un proceso sin correr la simulación completa cada vez. Esto importa más en cálculos costosos incluso con hardware acelerado. El plasma —el gas cargado eléctricamente que se usa en los procesos de grabado (etch)— es un ejemplo: modelar su comportamiento requiere resolver ecuaciones que capturan interacciones eléctricas, químicas y térmicas, algo caro de repetir una y otra vez. Lam Research demostró que NVIDIA PhysicsNeMo puede predecir el comportamiento del plasma en milisegundos, comparado con días que toma una simulación completa, lo que les da a los ingenieros una forma de explorar condiciones de proceso sin tener que rehacer el modelo entero cada vez.
Las decisiones de ingeniería —revisar un diseño, investigar una falla de prueba, ajustar un proceso de producción— suelen requerir una serie de pasos intermedios que consumen tiempo sin aportar la decisión en sí. Evaluar qué modelo de IA aplicar a una tarea determinada en el piso de pruebas es uno de esos pasos: un proceso secuencial y manual que puede tomar horas. Advantest usa agentes de NVIDIA NeMo Switchyard para automatizar esa selección, y según las notas esto redujo los tiempos de respuesta de horas a minutos. La idea no es que el agente tome la decisión de ingeniería, sino que se encargue de la cadena de tareas operativas que separan un análisis de una acción concreta.
Los gemelos digitales permiten simular configuraciones de equipos, distribuciones de planta y cambios de proceso en un entorno virtual antes de comprometerse a una prueba física, lo que reduce el costo de experimentar justo cuando los fabs se vuelven más complejos y el riesgo de equivocarse es mayor. Applied Materials usa las librerías de NVIDIA Omniverse para construir gemelos digitales de fabs completos, con precisión física, donde los equipos pueden simular el movimiento de materiales, identificar cuellos de botella y evaluar distribuciones y estrategias operativas. Esto extiende la experimentación virtual más allá de un proceso individual hacia cómo funciona la fábrica como un todo: layout, throughput, costo y control de proceso, según las imágenes que acompañan el anuncio.
NVIDIA plantea que el siguiente paso es conectar estas capacidades entre sí: usar datos de producción para alimentar los modelos, usar los modelos para evaluar cambios, y llevar esos hallazgos de vuelta a los ingenieros que toman decisiones en planta. Esa es la promesa del fab definido por IA: no reemplazar el criterio del ingeniero, sino ayudar a que el aprendizaje de cada ciclo de producción llegue más rápido a quien tiene que actuar sobre él. Las notas no detallan una arquitectura técnica para ese loop cerrado; lo describen como la dirección hacia la que apuntan las piezas ya desplegadas (simulación, física aprendida, agentes y gemelos digitales).
La aceleración por GPU (cuDSS, cuLitho) no solo achica tiempos de cálculo: habilita simulaciones que antes eran inviables a escala de producción, como la litografía computacional.
Los modelos de física aprendida (PhysicsNeMo) sustituyen simulaciones costosas por predicciones en milisegundos, como en el caso del plasma de Lam Research (días vs. milisegundos).
Los agentes de IA (NeMo Switchyard) se usan para automatizar pasos operativos repetitivos, no para reemplazar el juicio del ingeniero: Advantest bajó de horas a minutos la selección de modelos en test.
Los gemelos digitales con Omniverse amplían la simulación del proceso individual a la fábrica completa: layout, flujo de materiales y cuellos de botella antes de mover nada en planta.
Todo esto son piezas desplegadas con socios concretos (COMSOL, Applied Materials, Siemens, Lam Research, Advantest); el 'loop conectado' entre datos de producción y modelos es la dirección declarada, no algo ya mostrado en detalle técnico.
Este resumen lo escribimos a partir de las notas oficiales del anuncio. Lo que no estaba ahí, no está aquí.
Tu pedido
Si varias personas la piden, entra al programa como un video animado de 5 a 8 minutos. No hace falta dejar correo ni nombre.
Más del radar
Ya hay claseMIT Technology ReviewSage
Tau Robotics envía robots humanoides a limpiar casas en San Francisco, pero detrás de cada tarea hay un humano operándolos a distancia. Así es la distancia entre la demo y la autonomía real.
Solo en textoGoogleSage
Google lanzó Gemini Omni 1.2 Flash con generación nativa de video de hasta 15 segundos, edición conversacional y mejor consistencia visual, a un 30% menos de costo. Sirve para quien produce anuncios, contenido de producto o escenas narrativas a escala.
En cola para una claseHugging FaceSage
Ai2 publicó un benchmark que separa el seguimiento de estado en cuatro niveles de dificultad y muestra dónde se rompen transformers, modelos híbridos y frontera como GPT-6 o Claude Opus 5.5.