SandboxAQ专家：AI材料发现须“懂晶圆厂”，破解半导体材料创新瓶颈
大多数围绕人工智能的行业讨论都集中在芯片设计、供应链和数据中心需求上。但在 SandboxAQ 的 Shalini Sharma 博士看来，更根本的瓶颈其实位于上游——材料创新本身。
开发一种全新的半导体材料，需要找到合适的分子、配方与工艺条件，以满足性能、可靠性和集成方面的要求，而这一过程往往要耗费数年时间与高昂的实验室试验成本。Sharma 认为，通用型数据科学并不具备压缩这一时间线的能力。
文章的核心论点是：用于材料发现的 AI 模型必须做到 fab-aware（懂晶圆厂、懂产线），也就是说，它要能够考量候选材料在真实制造约束下的实际表现——包括温度与压力范围、设备兼容性、量产基准工艺（process-of-record）要求等——而不是停留在抽象层面推荐候选材料。她指出，最大的障碍并非数据匮乏，而是碎片化：计算、实验与工艺团队各自在孤立的环境中产出洞见，彼此之间很少形成反馈。为此她主张建立一条集成闭环，将仿真、候选材料生成、实验验证与模型再训练贯通起来。
Sharma 提到，美国商务部 CHIPS 研发办公室已于 2026 年 6 月拨款 5 亿美元，用于 AI 驱动的材料发现，其中包括不含 PFAS 的工艺化学品和无稀土磁体。她以此说明，fab-aware AI 正在成为一项国家战略优先事项，而不再只是研究层面的新鲜事物。她在文末强调，要让 AI 给出的推荐真正具备可制造性，材料科学家与工艺工程师的领域专业知识依然不可或缺。
