NVIDIA a profité de SEMICON West, le 14 octobre 2026, pour dévoiler cuPotential, nouvelle bibliothèque de la famille CUDA-X, et annoncer qu'Applied Materials, Cadence, KLA, Lam Research, Siemens et Synopsys adoptent sa plateforme de calcul accéléré et d'IA dans la conception, la fabrication et le test des puces. L'essentiel n'est pas une bibliothèque logicielle de plus. NVIDIA complète la couche la plus basse de sa vision de l'« usine définie par l'IA » : laisser les agents établir en simulation, à l'échelle atomique, le comportement des matériaux, avant qu'une conclusion approche une ligne de production.
cuPotential vise le maillon le plus lent de la chaîne de simulation
Comprendre comment atomes et molécules interagissent est le point de départ de toute modélisation des matériaux et procédés semi-conducteurs, et ces calculs restent notoirement lents même dans des logiciels déjà optimisés pour GPU. cuPotential fournit des fonctions spécialisées accélérées par GPU que les développeurs peuvent ajouter à leurs outils existants, afin que des agents d'IA exécutent, évaluent et itèrent directement des simulations moléculaires. Lors des tests en accès anticipé, la bibliothèque a encore accéléré de 2 à 3 fois des flux déjà optimisés pour GPU. Synopsys figure parmi les premiers adoptants et l'utilise pour ses simulations de matériaux. Son rôle est volontairement ingrat : pas un produit grand public, mais un outillage de base partagé entre ingénieurs et agents, destiné à garder les essais et erreurs dans l'ordinateur.
Une suite d'accélérations compose un argument d'usine entière
Les chiffres des partenaires, dans le même communiqué, sont denses. En simulation de matériaux et de composants, Synopsys annonce un potentiel de 30 fois avec cuEST dans QuantumATK et 12 fois avec cuDSS sur les bancs S-Device ; Cadence a optimisé chaleur et contraintes des boîtiers avancés 8 fois plus vite avec cuDSS ; les simulations multiphysiques de COMSOL gagnent jusqu'à 10 fois. Côté fabrication, Lam Research attend jusqu'à 30 fois sur certaines modélisations de gravure de plaquettes après intégration de la bibliothèque ouverte NanoVDB, et PhysicsNeMo a ramené la prédiction du plasma de plusieurs jours à quelques millisecondes ; Applied Materials revendique des simulations de chambre jusqu'à 35 fois plus rapides grâce aux jumeaux numériques Omniverse. En inspection et test, le nouveau noyau NPP de KLA tourne 50 fois plus vite que les anciennes versions CPU, Teradyne a accéléré d'environ 85 fois l'inférence de maintenance des sondes, et l'imec a amélioré sa fenêtre de procédé lithographique de 30 % avec cuLitho.
Pourquoi NVIDIA veut faire tourner le cerveau de l'usine
Ces chiffres appellent la prudence : tous proviennent du communiqué de NVIDIA et de ses partenaires, la plupart sont des résultats précoces ou issus d'un seul banc d'essai, les gains réels en usine attendent une validation en production, et cuPotential lui-même n'en est qu'à l'accès anticipé. La direction, elle, ne fait pas de doute. Les procédés avancés comptent des milliers d'étapes, et tester un changement de procédé sur une ligne réelle met en jeu des lots entiers de plaquettes ; laisser des agents épuiser l'espace de simulation dans un jumeau numérique et détecter les défauts plus tôt équivaut à de la capacité supplémentaire. Ce que NVIDIA vend n'est plus seulement des puces, mais la couche de conception, de simulation et d'exploitation des usines qui fabriquent les puces — des outils qui construisent l'IA aux outils qui construisent les outils. Deux questions méritent d'être suivies : ces flux agentiques entreront-ils dans les décisions quotidiennes des lignes de production, et le resserrement des liens entre NVIDIA et les géants de l'EDA Cadence et Synopsys redessinera-t-il la carte des logiciels de simulation ?
