SandboxAQ 借助先进计算方法为半导体行业寻找无 PFAS 替代方案

自 1934 年全氟烷基物质和多氟烷基物质（PFAS）被发现以来，制造商不断拓展其应用，开发出一系列相关化学品，用于炊具、食品包装、航空航天组件，尤其是半导体制造领域。

据半导体组件制造商 Brewer Science 介绍，PFAS 在半导体制造流程的多个环节中均有使用，从光刻或紫外光刻，到蚀刻、清洗和等离子体处理，它们使晶圆具备耐热性和耐久性。

美国各州立法者已开始针对 PFAS（因其难以降解而被称为“永久化学品”）采取行动，部分州甚至禁止在水成膜泡沫等产品中使用这类氟化学品。然而，对于依赖 PFAS 且被视为关键行业的领域（如半导体），目前仍存在豁免，因为尚无替代品可用。随着越来越多产品采用人工智能，以及消费者依赖智能手机等联网设备，半导体需求急剧上升。

即便立法者禁止在半导体制造中使用氟化学品，寻找无 PFAS 替代品也并非易事。根据半导体工业协会 PFAS 联盟发布的白皮书，消除这些有毒物质需要数年时间，而研发性能相当的替代品同样需要多年努力。该行业组织估计，找到并实施成功的无 PFAS 替代品的时间跨度在 3 至 25 年之间，且部分氟化学品可能无法被替代。

SandboxAQ 工程副总裁 Stefan Leichenauer 在接受 Manufacturing Dive 采访时表示，该公司目标是在 2 至 4 年内利用先进计算方法找到替代候选方案。先进计算方法结合数据、算法、数学模型和机器学习，以解决行业中最复杂的问题。

美国商务部于 6 月通过《芯片与科学法案》向软件开发商 SandboxAQ 授予 5 亿美元资金。这家硅谷初创公司将利用这笔资金开发和部署人工智能，用于半导体制造中新化学物质的研究与开发。

SandboxAQ 计划聚焦四大领域：催化剂（即引发特定反应的化学品）、无稀土磁体、用于设施备用电源的电池系统，以及无 PFAS 化学品。

Leichenauer 与 Manufacturing Dive 讨论了这家初创公司将如何利用 AI 开发新化学品，以应对半导体材料瓶颈及其他供应链风险。

以下访谈经过编辑，以保证清晰和简洁。

MANUFACTURING DIVE：此次 CHIPS 法案资助的条件之一包括无 PFAS 替代品。这项研发是如何启动的？SandboxAQ 找到无 PFAS 化学品需要多长时间？

STEFAN LEICHENAUER：SandboxAQ 的优势和使命在于将先进计算方法应用于世界上非常棘手的问题，例如新材料、电池、药物等。

我们选择研究的是具有重大影响、全球规模影响的问题。如果我们能挥动魔杖消除所有 PFAS，那将非常理想。但当然，半导体行业是众多关键行业之一，这些行业目前仍在使用且需要 PFAS。

那么，SandboxAQ 能如何提供帮助？这是我们自问的问题。我们的秘诀在于我们称之为“大型定量模型”（LQM）的技术。这是一种将计算物理和计算化学与 AI 相结合的方法，用于新材料发现。

我们可以设定目标，例如寻找一种材料、物质或配方，它具备我们想要的一系列优良特性，同时避免我们不希望出现的负面特性。例如，一种能发挥 PFAS 的优点而无其副作用的东西。

然后通过计算来寻找能够实现这一目标的分子、配方或材料。接着在实验室中测试，验证是否有效，并反复迭代。这是一个迭代发现过程。这就是我们在 SandboxAQ 所做的工作，这笔 CHIPS 法案资金将用于资助和扩展这类工作，涉及半导体行业相关的多个领域。除 PFAS 外，磁体、催化剂和电池也是与半导体相关的其他领域。

需要明确的是，寻找半导体行业可用的无 PFAS 润滑剂或传热材料等工作尚未完成。这是我们即将开展的工作，但我们已有的方法已显示出潜力。

我们之前曾研究过 PFAS，但并非为了寻找替代品。我们曾在云端进行了创纪录的 100 万 CPU 模拟，模拟 PFAS 分子，主要是为了证明我们在计算层面具备解决这一难题的能力——理解 PFAS 并最终找到其替代品。

这不是一个 20 年的目标。这是一个 2 至 4 年的目标，我们要通过计算找到候选替代品，并通过实际测试证明其可行性。下一步是推动半导体行业采用这些替代品，从而最终彻底摆脱 PFAS。

在 SandboxAQ 的新闻稿中提到了几篇白皮书。您能否进一步介绍这些白皮书中的研究？

我们迄今为止已完成或正在进行的工作，是利用近年来开发的所有强大计算工具来解决物理和化学问题。

大型语言模型已经帮助我们解决了许多问题，GPU 的不断改进也为这些模型提供了动力。但仅靠这些发展不足以解决我们讨论的问题，也不足以找到 PFAS 替代品。

例如，如果你让一个大型语言模型（无论使用多少 GPU）回答“告诉我一种 PFAS 替代品”，它会给出某种答案，但答案很可能是错误的。它会产生幻觉，这正是语言模型的工作方式——它们读取互联网上的所有内容，然后以某种方式处理并返回给你。

我们做的是创建自己的 AI 模型，这些模型不同于大型语言模型。它们是 AI 模型，但不是大型语言模型，也不在互联网数据上训练。我们利用可扩展且已被理解的计算物理方法自行生成数据。我们拥有许多非常优秀的科学家，他们精通方程求解，同时我们借鉴了为大型语言模型开发的技术。

我们找到了如何利用这些技术来生成大量高质量数据——不是互联网上那种数据。然后我们将这些数据输入到我们自己的 AI 模型中（这些模型不是大型语言模型）。通过从这些数据中学习，我们获得了能很好理解物理和化学的 AI 模型。现在，如果你向这些模型提问：“帮我找到一种新的 PFAS 配方”或“某种我感兴趣的无 PFAS 配方”，我们通过这一过程创建的模型和计算工作流能够可靠地回答这些问题，而不会产生幻觉。

我们开发的这种模型被称为“大型定量模型”，与大型语言模型不同，因为我们提出的问题属于定量问题，输入和输出都是数字，是描述现实世界的数字。

我们正在开发更多 LQM，使其变得更好，并将其应用于新问题。这是我们过去在已解决问题上描述过的前进路径，也是我们将用于处理新的半导体相关工作的方法。

SandboxAQ 如何避免 LQM 产生幻觉？

从根本上说，因为我们能客观地判断答案是否正确，因为我们可以验证。如果模型说“这是一个候选分子”，我们可以回到非 AI 方法，检查答案。如果答案错误，由于我们能客观检查，我们就会知道模型犯了错，并利用该信息重新训练或微调模型。我们建立了一个自我纠正循环。

在计算机内部，我们生成数据、训练、检查答案、重新训练。我们可能重复这个过程很多次，直到获得一个几乎不犯错且表现优异的模型。

此外，我们还有另一层检查：在现实世界中实际测试，看它是否按预期表现，而不仅仅是在计算机上验证。

因此，这里有许多检查和平衡机制，用于控制 AI，确保它不会失控。

这些 LQM 将如何在劳动力开发或培训中发挥作用？

我认为在整个讨论中非常重要的一点是，需要具备人类专业知识和才能的劳动力，他们了解 AI、化学、物理和半导体。所有这些都至关重要。在 AI 开发和使用的每个阶段，都需要人类参与。AI 只是人类使用的工具。

关于 LQM 和 CHIPS 法案资助，读者还应了解什么？

当我们谈论 PFAS、电池、磁体和催化剂时，这些是半导体行业的输入，而半导体行业本身比单纯的芯片更广泛。如果链条中任何环节薄弱，整个体系都会受影响。这是一项庞大的、扩展性的国家安全努力，旨在强化整个生态系统。

我认为读者还应该知道，这是 SandboxAQ 解决这类问题的方法，而且这种方法并不局限于半导体行业。

半导体行业是一个庞大且重要的行业，但并非唯一。我们采用的方法已经应用于其他重要领域，不仅关乎国家安全，也关乎改善生活和推动社会进步。