（本文編譯自electronicdesign）

生成式人工智能是推動從chiplet技術到軟件應用等所有領域發展的主要因素之一。它還在改善研發流程。而支撐這項技術發展的基礎，是用于制造推動這場革命的電子產品的材料。

展望2025年的發展，會有哪些推動半導體行業發展的大趨勢呢？

哪些大趨勢正推動半導體行業重回增長？

自生成式人工智能面世以來，我們已經見證了它的變革能力。對于半導體行業而言，它既帶來了挑戰，也帶來了機遇。如今，我們能夠利用人工智能和機器學習來識別并優化更智能的材料，以提高效率。然而，人工智能解決方案需要更多的電力和存儲，這就要求芯片需要具備更小尺寸、更快速度，以及更強性能。

隨著芯片變得愈發復雜，區區幾個原子就能決定整個芯片的功能。我們需要新材料以及對現有的材料進行改進，以實現更高性能的設備（如圖1所示）。

圖1：人工智能和其他數字解決方案需要更多的電力和存儲，這就帶來了讓芯片更小、更快、性能更強的挑戰。因此，我們需要能夠實現更高性能設備的新材料和新工藝。

此外，可穿戴設備已成為我們日常生活中的標配，其中智能眼鏡尤為突出。這些新設備需要更精簡的解決方案來支持增強現實（AR）和虛擬現實（VR），而新技術能讓這些操作在更小的設備中運行。

最后，全球都在關注可再生能源，可持續發展推動了對太陽能電池板、儲能系統和高效電源管理設備等應用的需求。

將人工智能推向邊緣端（例如增強現實眼鏡、自動駕駛汽車中大量數據的實時處理）不僅需要按照摩爾定律進行規模擴展，還需要替代架構（如神經形態計算和量子計算）來突破功耗和內存的限制。鑒于生成式人工智能的成功，這一趨勢將以前所未有的速度加速發展。

材料科學，即“材料智能”，作為人工智能和高性能計算的基石，發揮著怎樣的作用？為何半導體行業步入了“材料時代”？

技術變革要求我們進行重新思考，應如何為下一代芯片設計材料。采用替代架構、提升性能，以及滿足對高帶寬內存訪問的需求，不僅需要傳統的縮放方法，還需要新型材料、異構集成、先進封裝和器件設計，以及材料的協同優化。多組分氧化物、硫族化合物、透明導電氧化物、二維材料及其他多組分合金，正逐漸在器件發展路線圖中占據一席之地。

為進一步提升半導體器件的固有屬性，在更高抽象層次上對器件與材料技術進行協同優化的需求日益增長。這標志著材料研究方法迎來了一個轉折點（如圖2所示）。

圖2：隨著半導體器件變得愈發復雜，實現原子級別的精度變得越來越關鍵。

傳統上，新材料的發現依賴于艱苦、反復且成本高昂的實驗室合成與測試流程，半導體制造商、設備制造商和材料供應商都參與其中。由于人工智能將對半導體的需求推至前所未有的高度，這種模式面臨著巨大挑戰，難以滿足對新材料快速、協同優化且高效引入與規模化生產的需求。

這給像EMD電子這樣的材料供應商帶來了巨大商機，同時，他們所積累的能力也能幫助加速發展，又能降低引入新材料帶來的風險。

材料智能指的是在原子和分子層面從科學角度理解材料并進行工程設計，同時整合數字技術以優化材料特性、性能和制造流程。

通過將人工智能和機器學習算法應用于這些數據，EMD電子能夠預測材料在各種條件下的表現，為特定應用確定最佳材料成分，并提高制造效率。這種獨特能力使得在恰當的地點、恰當的時間生產出質量合適的材料成為可能。

材料將把其賦能作用從前端延伸至價值鏈的其他創新熱點領域，比如異構集成。我們已進入一個摩爾定律面臨挑戰的時代。對更快、更節能計算的追求正在重塑半導體行業。隨著我們從以節點驅動轉變為在整個價值鏈上采用系統級方法，這涉及到進一步的多樣化和專業化，因此，系統地探索材料的下一次演進至關重要。

展望未來：

• 創新將更具活力，但同時也更為不均衡且更為零散，整個體系都將加強創新。

• 各個階段的創新都將相互協調，以實現效益最大化，強調協作與有效的數據交換是關鍵因素。

為了在原子層面實現小型化、垂直堆疊以及復雜性，從而推動芯片制造商的技術路線圖發展，目前正在發生哪些創新呢？

極紫外（EUV）光刻技術的創新對于制造更小、排列更密集的晶體管至關重要。前沿光刻膠和圖案化解決方案的發展有助于實現精確的納米級圖案形成，這對于縮小器件尺寸至關重要。

為克服傳統平面縮放的局限性，諸如3D NAND和硅通孔背面供電等垂直堆疊技術變得愈發重要。先進的電介質和金屬化解決方案確保了可靠且高效的垂直互連。蝕刻和沉積工藝的創新使得能夠精確構建多層結構，從而在更小的空間內實現更高的存儲密度和更強的性能。

隨著半導體器件變得越來越復雜，實現原子級別的精度變得愈發關鍵。材料行業處于開發原子層沉積（ALD）和原子層蝕刻（ALE）技術的前沿，這些技術能夠在原子級別上對材料特性和厚度進行無與倫比的精準控制。這些技術對于制造具有卓越均勻性和精度的超薄薄膜和界面至關重要，包括高深寬比和表面形貌復雜的特征。

此外，二維材料和量子點等新型材料的進展正在拓展器件復雜性和功能性方面的可能性。

這些創新共同助力芯片制造商推進其技術路線圖，在下一代半導體器件中實現更高的性能、更高的效率以及新的功能。

在材料智能的新時代，人工智能（AI）、機器學習（ML）和數據分析分別扮演著怎樣的角色？

全球數據規模正呈指數級增長，這提供了前所未有的機會，得以更深入地了解生產流程和材料。然而，處理如此海量的數據本身就極為復雜，帶來的挑戰需要創新性的解決方案。

隨著質量控制參數的數量持續增加，再沿用幾十年前過時的數據分析方法已變得不現實，這一點至關重要。適應并采用先進的分析方法，對于控制相關參數、防止成本呈指數級增長至關重要。相關科學家和工程師正運用最先進的數字工具，結合分子間服務的強大功能，推動現代技術的進步。

借助先進的設備測試能力，聚焦于設備與材料的協同優化，使我們能夠在科學發現中挖掘人工智能的潛力。這推動了人工智能的進一步發展，并加速了各個領域的創新。

通過研究不同材料、工藝和器件架構之間的相互作用，能夠在早期階段就確定出性能卓越的解決方案。在DRAM電容堆疊工程、原子層刻蝕（ALE）以及神經啟發計算等領域的工作，充分體現并展示了這種數字化轉型。

利用快速發展的數字工具進行材料建模與發現，能夠拓展探索空間的廣度與深度，高效地識別出推動芯片制造商創新的新分子和集成解決方案。

此外，加速材料創新需要獲取并能夠處理海量數據。此類過程需要量子計算和神經形態計算等先進計算平臺，以發現新的化學物質和材料。

這也需要具備高通量和組合能力，能夠快速制作設備原型并進行測試，就像分子間服務機構所具備的能力一樣。

量子計算機規模化的關鍵組件是單光子探測器（SPD）。這需要超導薄膜，而這種薄膜只有在極低溫度（<10K）下才能實現超導，這給系統的可擴展性帶來了挑戰。

在分子間服務機構，已經成功找到了有潛力的塊狀超導體，將其制成薄膜并優化了堆疊結構。結果顯示，單光子探測器性能創下紀錄。