生产尖端处理器越来越困难,原因很多,但最大的障碍来自光刻流程。光刻流程的作用是将处理器设计图案转转移至晶圆。目前的工具已基本不能完成打印最小功能的任务,真的要做的话则需耗时且昂贵的额外步骤,而名为极紫外(EUV)光刻技术的替代产品则已经比约定计划晚了几年。
EUV光刻技术最近有了新进展,业界正在竞相将EUV光刻技术投入批量生产线使用。三星希望成为这样做的第一家,三星将在明年的ISSCC上公布利用EUV技术7nm工艺制造的SRAM测试芯片结果。GlobalFoundries也将在2019年某个时候开始开始推出未用EUV技术的7nm产品,但计划很快会随后推出使用了EUV技术的新版本。据悉,晶圆巨头台积电则会坚持到5nm才采用EUV技术。
据说英特尔也在位于俄勒冈州希尔斯伯勒的D1X研发工厂测试EUV工具,但英特尔尚未表示何时才会将此技术用于批量生产。英特尔上周在2017年IEDM大会上就EUV的进展情况给出了一些难得的信息并提供了一些有关该技术部署的信息。
英特尔光刻技术部门高级工程师Britt Turkot表示:“EUV可以有效地实现持续扩展。该技术是非常理想的技术,但只有在该技术准备就绪及符合成本效益时才能投入使用。”
在利用光刻技术实现设计功能时,设计功能图案的最小尺寸由两个因素确定:光的波长和系统的数值孔径。目前的工具使用深紫外线或DUV光,波长为193nm(另外还可用浸入技术增加数值孔径,原因是水的折射率比空气高)。而相比之下,EUV技术用的光波长为13.5nm,即便在数值孔径较低的情况下,可实现的设计功能图案的尺寸也可以小很多。
在该波长下,光子可以被各种材料吸收,因而操作需在真空里进行,所用的镜像系统亦十分复杂。Turkot表示,“EUV技术非常复杂,原因是EUV里的一切都变了。
由于曝光光源需要提供足够大的功率,曝光光源直到不久前都是个大问题。十年以前,业界预计至2013年上半年曝光光源功率在批量生产环境下可达250瓦。但直到今年夏天荷兰制造商ASML才在Semicon West展示了250瓦曝光光源,而之所以能达到250瓦是由于激光等离子(LPP)技术最近取得了新进展。但曝光光源功率目前在生产线上尚未能达到250瓦,尽管Turkot表示,她对于即将出现的升级工具能提供250瓦功率有信心。
不过,曝光光源仍会是整体系统正常运行时间的症结所在。 Turkot表示,今年业界的目标是84%,到2018年将达到88%,但由于计划外的停机时间长,“工具可用性能达到75%我们觉得运气已经不错了”。
围绕EUV光刻技术的工具及材料生态系统正在逐渐形成。EUV基础架构重点项目共有八个,其中的六个已基本完成。一众供应商现在正在生产毛坯(光掩膜的基材),缺陷率为单位数。英特尔自己的掩膜店则在运作一EUV掩膜试验生产线,可生产无打印缺陷的10nm和7nm掩膜。
但是,扫描设备里掉落的颗粒可导致产品出毛病,因此无缺陷掩膜仍可能会出现缺陷,因此,保护性薄膜(有关的基础架构项目仍处开发阶段)也具有一定的重要性。业界最终需要一个可以看到这些微小缺陷的工具,该工具名为光化图案模板检测(Actinic Patterned Mask Inspection),但此项目“仍有很大的距离”。
分辨率方面,EUV技术的价值没有问题。英特尔的EUV试验线已经在关键尺寸的精确定位方面取得了良好的图案模版结果。但Turkot表示,边缘置放误差在少于10nm的规模功能上已经成了最大的挑战。她表示,“需要确保应该接触的功能能接触,而不应接触的功能不会接触。” EUV在解决这个问题方面的潜力很大,EUV具有较高的分辨率,可获得更高的图案保真度,而且,EUV可以将多重图案化步骤降到最小,尽管晶圆工场的其他边缘位置误差源也是需要解决的问题。
尽管在各方面取得了进展,英特尔仍未能确切表示何时才能在批量生产线上使用EUV光刻技术。但一旦开始使用,其模式将会是现存193nm浸入式工具的混合搭配。Turkot表示,由于EUV甚为昂贵,因此,只有在EUV可用一次曝光取代三个以上的曝光图案步骤时英特尔才会使用EUV。我们现在已经知道,英特尔的10nm流程在好几层上用了四图案技术,EUV啊快些来吧。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。