Présentée lors du GTC Taipei, la collaboration entre NVIDIA et TSMC va bien au-delà du développement de puces plus rapides. TSMC, le plus grand fondeur sous contrat au monde, déploie les bibliothèques CUDA-X de NVIDIA, des modèles d’IA, la vision artificielle et des outils de simulation directement dans ses usines. Les gains annoncés sont concrets : une réduction de 20 à 50 % des cycles de lithographie numérique et une accélération de 50x pour certaines simulations de matériaux — des chiffres qui pèsent lourd dans une industrie où chaque semaine gagnée sur un nouveau nœud représente des centaines de millions de dollars d’avantage concurrentiel.
Pourquoi la fabrication de puces est devenue un défi computationnel
Fabriquer des semi-conducteurs aux nœuds les plus avancés — 3 nm, bientôt 2 nm — génère des charges de calcul que les méthodes CPU classiques ne peuvent plus absorber. La fabrication avancée de semi-conducteurs mobilise des ressources croissantes à chaque génération pour la lithographie computationnelle, la simulation de transistors, le contrôle des procédés, l’inspection des plaquettes et la planification des ateliers. Le passage de la conception à la production de masse est devenu aussi exigeant que l’entraînement de grands modèles de langage.
C’est dans ce contexte que NVIDIA et TSMC présentent leur alliance comme une réponse industrielle directe. TSMC exploite déjà les technologies NVIDIA pour réduire ses cycles de fabrication, améliorer sa consommation énergétique et renforcer la performance de ses procédés avancés. Jensen Huang, fondateur et PDG de NVIDIA, résume la logique : l’IA ne se contente plus de tourner sur les chips fabriqués par TSMC — elle devient aussi l’outil qui les produit.
Quatre axes d’application : lithographie, simulation, contrôle et planification
NVIDIA identifie quatre domaines où ses bibliothèques CUDA-X s’appliquent directement dans les fabs de TSMC, chacun adressant un goulot d’étranglement distinct du cycle de fabrication.
Lithographie numérique. TSMC utilise cuLitho, une librairie GPU conçue pour optimiser la conception de masques. Selon NVIDIA, la technologie réduit de 20 à 50 % les coûts ou les délais de cycle par rapport aux approches CPU, à coût total de possession équivalent. Dans une industrie où chaque réduction de délai accélère l’accès à un nouveau nœud ou augmente la capacité de production, l’avantage est tangible.
Simulation de matériaux. TSMC déploie cuEST, une librairie GPU pour la simulation de structures électroniques qui accélère en moyenne de 50x les calculs chimiques nécessaires à la conception de nouveaux matériaux pour semi-conducteurs. Ces simulations analysent les interfaces, comportements physiques et caractéristiques de fiabilité des transistors — des étapes indispensables avant tout changement de process.
Contrôle des procédés. TSMC s’appuie sur cuML pour analyser à grande échelle des centaines de milliers de paramètres répartis sur des milliers d’étapes de fabrication. L’objectif : générer des entrées précises pour des modèles de machine learning capables de réduire les variations de processus. Dans la fabrication de puces avancées, de petits écarts peuvent impacter le rendement ou les performances finales d’une puce.
Planification d’atelier. NVIDIA indique que CUDA et les GPU H200 améliorent la coordination entre outils, matériaux, robots, équipes, maintenances, priorités clients et flux de processus. Coordonner plusieurs milliers de paramètres en temps réel dans l’environnement contraignant d’une fab de pointe dépasse largement les capacités d’un ERP classique.
Inspection de défauts à l’échelle nanométrique
L’inspection des plaquettes est l’un des goulots les moins visibles de la fabrication avancée. Plus les circuits sont denses, plus une infime irrégularité peut compromettre la qualité finale. TSMC utilise NVIDIA Metropolis et le toolkit TAO pour améliorer la classification automatique des défauts par vision artificielle.
Ce qui distingue cette approche des systèmes d’inspection classiques, c’est la réduction du besoin de réentraînement manuel des modèles. Les motifs de défaut évoluent avec les processus, et un système qui s’adapte automatiquement évite aux équipes qualité d’étiqueter en permanence de nouvelles données. Pour les clients de TSMC — fabricants de processeurs IA, mobiles ou automobiles — qui exigent des volumes élevés et des taux de rendement optimaux, la détection précoce de défauts à l’échelle nanométrique se traduit directement en coûts de production réduits.
L’application de l’IA à l’inspection ouvre aussi la possibilité d’apprendre des nouveaux motifs de défaillance au fil du temps, sans interruption du processus de production. Pour TSMC, dont la clientèle couvre les puces les plus critiques du marché mondial, ce gain de fiabilité a une valeur bien concrète.
FabTwin : simuler une usine avant de la construire
TSMC explore FabTwin, un jumeau numérique de fab développé avec NVIDIA Omniverse. Le principe : simuler l’agencement d’une usine, ses flux de processus et ses équipements avant tout investissement physique. Une fab avancée combine équipements coûteux, salles blanches, robots, systèmes de vide, logistique interne des plaquettes, gestion thermique et logiciels de planification. Une erreur de configuration peut coûter des mois de correction et des dizaines de millions de dollars.
Un jumeau numérique ne supprime pas l’incertitude, mais la réduit considérablement. Face à la demande croissante en chips IA — qui oblige TSMC à accroître sa capacité en permanence — toute technologie qui accélère la conception ou l’extension d’une fab a une valeur directement mesurable. NVIDIA DSX, présenté au même GTC Taipei, pousse cette logique d’industrialisation de l’IA encore plus loin en proposant une architecture complète pour les usines d’IA.
Une boucle qui se referme : l’IA pour fabriquer des puces pour l’IA
La logique de cette alliance est plus circulaire qu’il n’y paraît. La demande en IA pousse à fabriquer des puces plus performantes. Ces puces requièrent des process de fabrication plus avancés. Ces process, trop complexes pour être optimisés manuellement, ont besoin de l’IA pour fonctionner efficacement. C.C. Wei, PDG de TSMC, qualifie cette coopération de relation à long terme visant à renforcer leur leadership technologique conjoint.
Cette dynamique illustre aussi comment NVIDIA étend son rôle bien au-delà de l’infrastructure de calcul. Ses GPU jouent déjà un rôle central dans l’entraînement et l’inférence des modèles d’IA. Ils deviennent maintenant des composants de production industrielle : lithographie, simulation, inspection, planification. Pour une entreprise qui recrute massivement des ingénieurs IA avec des salaires dépassant 400 000 euros, cette extension verticale vers la fabrication de semi-conducteurs confirme une stratégie d’intégration progressive de toute la chaîne de valeur de l’IA.
Le secteur des semi-conducteurs repose depuis des décennies sur des avancées coordonnées entre design, matériaux, lithographie, packaging et logiciels. La différence aujourd’hui : l’IA devient une couche qui traverse toutes ces étapes. Si les résultats tiennent leurs promesses, les fabs de prochaine génération ne produiront plus seulement des chips pour l’IA — elles seront elles-mêmes pilotées et optimisées par l’intelligence artificielle. Cette concentration des outils de production entre les mains d’un petit nombre d’acteurs soulève également des questions de souveraineté technologique que ni NVIDIA ni TSMC n’ont encore eu à traiter publiquement.
Questions fréquentes
Qu’est-ce que cuLitho et pourquoi est-ce important pour TSMC ?
cuLitho est une librairie GPU de NVIDIA pour optimiser la conception de masques de lithographie. Elle réduit de 20 à 50 % les coûts ou les délais de cycle par rapport aux méthodes CPU classiques, ce qui est déterminant pour accélérer l’accès aux nœuds les plus avancés.
Comment cuEST accélère-t-il la simulation de matériaux ?
cuEST est une librairie GPU pour la simulation de structures électroniques. TSMC l’utilise pour accélérer de 50x en moyenne les simulations chimiques nécessaires à la conception de nouveaux matériaux pour semi-conducteurs.
Qu’est-ce que FabTwin ?
FabTwin est un jumeau numérique d’usine développé avec NVIDIA Omniverse. Il permet à TSMC de simuler la configuration d’une fab et ses flux de processus avant tout investissement physique, réduisant les risques de décision de layout.
En quoi cette collaboration change-t-elle le rôle de NVIDIA ?
NVIDIA ne se limite plus à fournir des GPU pour l’entraînement et l’inférence d’IA. Ses bibliothèques CUDA-X et ses outils de vision artificielle et de simulation deviennent des composants de la production industrielle de semi-conducteurs.
Comment NVIDIA Metropolis est-il utilisé dans les fabs de TSMC ?
TSMC utilise NVIDIA Metropolis avec le toolkit TAO pour détecter automatiquement les défauts des plaquettes par vision artificielle. Le système réduit le besoin de réentraînement manuel des modèles grâce à sa capacité d’adaptation automatique aux nouveaux motifs de défaut.
Source : nvidianews.nvidia
