我們即將迎來一個激動人心的新時代——人工智慧(AI)。在這個時代,所有基於網際網路的應用程式都將在數位生態系統的各個層面對新型最佳化技術提出巨大需求。新時代到來之際,需要越來越多的感測器,以所有五種感官為靈感來源,用於支撐物聯網;在物聯網的基礎架構裡,需要更高品質的行動,這意味著更快的處理速度、更大的儲存空間和更密切的連通性。最後,需要更深刻的洞察,為此必須製造出能從資料中學習、繼而自主採取行動的機器。

20190107NT31P1 Imec總裁兼執行長Luc Van den hove

新時代開啟之際:革命性的感測和顯示技術

長久以來,電腦視覺僅以一個攝影鏡頭為基礎。基本而言,這個攝影鏡頭捕捉三維(3D)世界並轉化為二維(2D)影像。為了還原失去的第三維度,可以利用深度感測器,根據具體的應用領域,以及物體和感測器之間的距離,採用不同類型的深度感測器來支持人工智慧時代。例如,極短距離時,使用指紋感測。

20190107NT31P2 聲學指紋感測平台:將壓電式微機械超聲換能器(PMUT)陣列放在整個顯示器下。

距離增加1公尺,可聯想手勢辨識等應用領域。新的手勢辨識搭載對紅外光敏感的高解析度影像感測器,這種感測器應用前景廣闊,對人眼更安全,且受日光干擾更小。距離繼續增加,可以聯想到兆赫茲(terahertz)感應技術。這項技術廣泛應用於安全、環境、農業、醫療等領域。

在這個人工智慧時代,還需要高品質、高解析度的顯示器,以支援擴增實境(AR)等應用領域。今天,虛擬實境(VR)眼鏡的畫素密度大約為500~800ppi。在未來,這些眼鏡的解析度將顯著提高(高達10,000ppi),除此之外,產業力求使眼鏡達到透明,在眼前呈現出自然的影像,且使用者還需要能夠以微妙低調的方式控制它們。製造AR眼鏡的方法有多種,但是半透明顯示器技術有一個共同點:它們都需要一個高解析度微型OLED或量子點發射器平台。

物聯網基礎架構:更高品質的行動

運算領域通常可以細分為三個領域。第一個領域是物聯網感測器,重點強調超低功耗。對於這些物聯網節點,基於全耗盡型絕緣體上矽(FD-SOI)的技術正在取得進展。第二個領域是行動設備,它需要高性能運作,但在很大程度上受到電池的限制。第三個領域是高性能設備,它提供持續的功率密度。在這些高性能節點中,10奈米(nm)技術節點即將投入生產,而7nm、5nm、3nm和2nm節點在未來幾年裡也會陸續展開。

促進維度縮放

在7nm節點,超紫外光(EUV)微影技術是主要製程方案之一,因為它大大簡化了多重曝光浸潤式微影技術的複雜度。近期,EUV微影技術取得了長足的進步,由此促使輸送量得到提升,光阻劑和光致抗蝕劑平滑度更趨成熟,同時帶來了創新的薄膜解決方案。在不久的將來,產業還會面臨隨機缺陷帶來的挑戰—這種缺陷也叫隨機印刷缺陷,應對方法是綜合利用更好的材料、掃描器條件和掩膜,以及顯影後處理技術。

20190107NT31P3 EUV微影薄膜。

電晶體縮小:從增強技術到終極探測設備

儘管在維度縮放方面繼續發展,但是對於未來的節點,電晶體將不再採用0.7倍縮小倍數,尤其是在電晶體的前端,閘極間距不再依0.7倍縮小。為了克服這個問題,可逐漸採用增強技術,例如自對準觸點、埋設電源軌和完全自對準接觸孔,這些技術可以發揮特定的作用,例如實現金屬軌道高度縮放。對於3nm及以上的節點,也須研究新的設備架構(例如奈米片電晶體和輔助FET;cFET)和性能增強特性。產業也逐漸採取第三維度允許堆疊方式,例如將nFET堆疊至pFET,標準單元相互堆疊,或將類比單元疊在邏輯單元上——為此,Imec研發出一種整合技術,而對於1~10μm這種較寬的間距,可以利用晶圓鍵合技術。

但同時,半導體產業也繼續探索能夠縮放除基於電荷的CMOS電晶體之外的當前設備。在探測方面,最近有幾種設備引起了關注,例如基於鐵電的設備、基於二維材料的FET,以及穿隧FET(tunnel-FET)。終極探測設備將利用量子電腦的基石——量子位元,相比傳統CMOS平台,這些設備可望將運算速度提升1,000倍,同時顯著降低能耗。

擴充儲存容量

如果資料量繼續與日俱增,將需要更大的儲存容量。如今的記憶體發展藍圖受到幾個限制因素的制約。當需要廉價而龐大的記憶體時,可使用離線硬碟;對於片上系統,利用固態快閃記憶體技術(NAND)、DRAM和SRAM。預計NAND和DRAM這兩個領域今後將會發展壯大,DRAM還可以縮小成較小的節點,也許需要借助EUV微影技術。另外×DRAM領域中部分新趨勢可能將促進密度擴展,例如從圓筒型電容架構轉變為柱狀型架構。

但是,產業也見證了NAND和DRAM之間的延遲差距,這種差距可以用儲存級記憶體來填補。填補整個差距很可能需要不止一項新興記憶體技術,基於檢查點的架構,或者基於鐵電的記憶體將是前景較為可觀的一些方法。

最後,同樣重要的是:SRAM技術面臨著SRAM密度擴展限制造成的挑戰。解決這一難題需要借助重新啟用SRAM密度擴展功能的新設備。一些具有發展前景的設備可供考慮,包括自旋轉移矩-磁隨機記憶體(STT-MRAM)和超快速的自旋-軌道轉矩磁阻式隨機記憶體(SOT-MRAM)。

確保足夠的頻寬用於設備連接

到目前為止,業界已經提出了快速處理所有資料和保存資料的解決方案,但還需要足夠的頻寬用於連接所有設備。在有線領域,業者開發出了適用於電氣和光學領域的解決方案;在電氣領域,可以想到高頻寬記憶體(HBM),這是一種高性能的三維堆疊DRAM介面。對於資料和電信應用領域,光鏈路更具優勢——例如,它更利於資料中心多個伺服器機架的相互連通,或者底板間的板對板連接。

最後,在無線領域,預期5G技術將會誕生,這將對當今基於CMOS的無線設備的下載速度提出挑戰。在行動設備前端,需要高性能、高速度、高能效的類比設備。

透過機器學習加強洞察

最後一點,該如何加強洞察?該如何讓機器自己從資料中學習,並且在學習後自主地採取行動?這正是機器學習的特點。機器學習通常先從設計神經網路開始,並將神經網路應用至目標領域中。然後,利用現有資料訓練該網路——這項操作在雲端進行,之後,權重通常以片外儲存的方式儲存到記憶體中。權重表示一種方法對預測的貢獻,那麼,如果有了新的輸入,會怎麼樣?在部署階段,新的輸入會被傳送到雲端,與權重對比,然後,這個網路會告知此輸入與該訓練網路中某一類別的符合概率值。在實踐中,傳統的機器學習引擎通常會利用耗能較高的繪圖處理器(GPU),而GPU是以先進的CMOS技術為基礎。