摘要：生成式人工智能 (AI)是推动从芯片技术到软件应用等各方面发展的主要因素之一。它还改进了开发工作流程。这项技术的基础是用于制造推动这场革命的电子产品的材料。

本文由半导体产业纵横（ID：ICVIEWS）编译自electronicdesign

半导体行业正处于“材料时代”。

生成式人工智能 (AI)是推动从芯片技术到软件应用等各方面发展的主要因素之一。它还改进了开发工作流程。这项技术的基础是用于制造推动这场革命的电子产品的材料。

展望今年的发展前景，笔者与默克集团电子业务部门EMD Electronics 分子间服务总裁 Ganesh Panaman 讨论了推动半导体行业发展的大趋势。

哪些大趋势正在推动半导体行业恢复增长？

自生成式人工智能出现以来，用户见证了它的变革能力。对于半导体行业来说，它既带来了挑战，也带来了机遇。现在，用户可以利用人工智能和机器学习来识别和优化更智能的材料，以提高效率。然而，人工智能解决方案需要更多的功率和存储空间，这带来了制造更小、更快、更强大的芯片的挑战。

随着芯片变得越来越复杂，几个原子将决定整个芯片的功能。我们需要新材料和增强当前使用的材料，以实现更高性能的设备（图 1）。

图1AI 和其他数字解决方案需要更多的功率和存储空间，这给制造更小、更快、更强大的芯片带来了挑战。因此，我们需要能够实现更高性能设备的新材料和工艺。

此外，可穿戴设备已成为日常生活中的常态，尤其是眼镜。这些新设备需要更精简的解决方案来支持AR 和 VR（增强现实和虚拟现实）操作，新技术使这些操作可以在更小的设备内运行。

最后，全球关注可再生能源，可持续性正在推动对太阳能电池板、能源存储系统和高效电源管理设备等应用的需求。

将人工智能推向边缘（例如 AR 眼镜、自动驾驶汽车的实时大量数据处理）不仅需要根据摩尔定律进行扩展，还需要替代架构（例如神经形态计算和量子计算）来超越功率和内存的限制。鉴于生成式人工智能的成功，这一趋势将以前所未有的方式加速。

为什么半导体行业正处于“材料时代”？

技术变革要求半导体行业重新考虑如何为下一代芯片设计材料。替代架构、改进的性能以及对高带宽内存访问的需求将需要传统的扩展方法和新材料、异质集成、先进封装和设备设计以及材料协同优化。多组分氧化物、硫族化物、透明导电氧化物、2D 材料和其他多组分合金在设备路线图中变得越来越常见。

为了进一步增强半导体器件的固有性能，越来越需要在更高的抽象层次上共同优化器件和材料技术。这标志着材料研究方法论的一个转折点（图 2）。

图2随着半导体设备变得越来越复杂，实现原子级精度变得越来越重要。

传统上，新材料的发现依赖于艰巨、反复且昂贵的实验室合成和测试过程，涉及半导体制造商、工具制造商和材料供应商。随着人工智能将对半导体的需求推向前所未有的水平，这种模式面临着挑战，需要满足快速、共同优化和高效引入和扩展新材料的需求。

EMD Electronics 等材料供应商处于引领这些创新努力的有利位置，可以加速增长，同时降低引入新材料带来的风险。

材料智能涉及在原子和分子水平上对材料的科学理解和工程设计，以及集成数字技术以优化材料特性、性能和制造工艺。

通过将人工智能和机器学习算法应用于这些数据，EMD Electronics 可以预测各种条件下的材料行为，确定特定应用的最佳材料成分，并提高制造效率。这种独特的能力使得能够在正确的地点、正确的时间生产出具有正确质量的正确材料。

材料将把其推动作用从前端扩展到价值链的其他创新热点，例如异构集成。半导体行业已经进入了一个摩尔定律受到挑战的时代。对更快、更节能的计算的追求正在改变半导体行业。随着我们从节点驱动转向整个价值链的系统范围方法，涉及进一步的多样化和专业化，系统地寻求材料的下一个发展至关重要。

如何实现芯片制造商的技术路线图？

EMD Electronics 正在开发先进材料和工艺，以推动半导体器件的不断小型化。极紫外 (EUV) 光刻技术的创新对于制造更小、更密集的晶体管至关重要。尖端光刻胶和图案化解决方案的开发有助于形成精确的纳米级图案，这对于缩小器件几何形状至关重要。

为了克服传统平面缩放的局限性，垂直堆叠技术（例如3D NAND和背面电源通过硅通孔传输）变得越来越重要。先进的介电和金属化解决方案可确保可靠、高效的垂直互连。蚀刻和沉积工艺的创新使多层结构的精确构建成为可能，从而在更小的占用空间内实现更高的内存密度和增强的性能。

随着半导体器件变得越来越复杂，实现原子级精度变得越来越重要。材料行业处于开发原子层沉积 (ALD) 和原子层蚀刻 (ALE) 技术的前沿，这些技术在原子尺度上提供了对材料特性和厚度的无与伦比的控制。这些技术对于制造具有出色均匀性和精度的超薄膜和界面至关重要，包括高纵横比和地形挑战性特征。

此外，二维材料和量子点等新型材料的进步正在扩大设备复杂性和功能的可能性。

这些创新共同推动芯片制造商推进其技术路线图，在下一代半导体设备中实现更高的性能、更高的效率和新的功能。

人工智能、机器学习和数据分析在材料智能新时代发挥着怎样的作用？

全球数据格局正在呈指数级增长，这为我们提供了前所未有的机会，能够更深入地了解我们的生产流程和材料。然而，处理如此大量的数据本身就很复杂，这带来了挑战，需要创新的解决方案。EMD Electronics 使用 AI 来开发能够更高效地运行 AI 平台的解决方案。

随着 QC 参数的数量不断增加，不能固守几十年前的过时数据分析方法。适应和采用先进的分析方法对于控制相关参数和防止成本呈指数级增长至关重要。科学家和工程师使用最先进的数字工具，结合Intermolecular 服务的强大功能来推动现代技术的发展。

通过利用先进的设备测试功能对设备和材料进行协同优化，我们能够充分利用人工智能在科学发现中的潜力。这推动了人工智能的进一步发展，并加速了各个领域的创新。

通过研究不同材料、工艺和设备架构之间的相互作用，可以在早期阶段找到表现出卓越性能的解决方案。我们在 DRAM 电容器堆栈工程、ALE 和神经启发计算等领域的工作充分体现并展示了这种数字化转型。

利用快速发展的材料建模和发现数字工具，还可以扩大探索空间的广度和深度，并有效地识别推动芯片制造商创新的新分子和集成解决方案。

此外，加速材料创新需要获取和处理大量数据的能力。此类过程需要量子计算和神经形态计算等先进计算平台来识别新型化学物质和材料。

这还需要高吞吐量和组合能力，以及快速制作原型和测试设备的能力，例如在分子间设施中拥有的设备。我们与 PsiQuantum 的合作是一个很好的例子，展示了我们如何通过开拓新材料实现量子计算的巨大改进。

量子计算机规模化的关键部件是单光子探测器 (SPD)。这需要具有超导性的薄膜，且只能在极低温度 (

在 Intermolecular，我们成功识别出有前景的块状超导体，将其扩展为薄膜，并优化堆栈。结果证明了创纪录的 SPD 性能，我们将继续创新，以证明这种第二代材料的临界温度有了显著改善。

*声明：本文系原作者创作。文章内容系其个人观点，我方转载仅为分享与讨论，不代表我方赞成或认同，如有异议，请联系后台。

来源：半导体产业纵横