IBM公司在无光刻芯片制造方向上取得可喜进展。
IBM公司已经设计出一种新型材料加工与制造工艺,有助于提高7纳米节点以及更小节点芯片的生产效率水平。
蓝色巨人的研究人员正在努力克服“区域选择性沉积”这一新兴领域中的种种挑战,此项技术有望克服光刻技术的限制,从而利用7纳米制程工艺在芯片上创建图案。
Semi Engineering对于光刻图案做出了简洁说明,同时亦解读了为何区域选择性沉积技术在7纳米制程领域拥有如此光明的发展前景(https://semiengineering.com/what-happened-to-selective-deposition/,英文原文)。
“多重图案化”等技术的介入,有助于确保集成电路的规模不断扩展。然而,随着芯片由28纳米制程缩小至7纳米制程,芯片制造商无疑需要面对更多且功能且特征更复杂的分层,且特征必须更精确地放置在对应图案之上。
这些特征需要在不同层之间保持对齐,一旦无法保持对齐,就会导致“边缘放置错误”(简称EPE)。英特尔公司光刻技术专家Yan Borodovsky认为这是一项光刻技术无法解决的挑战,并最终会成为摩尔定律的硬性天花板。
2015年,他曾鼓励业界研究区域选择性沉积技术,而这正是IBM公司研究人员正在探索的领域,且有朝一日可能成为EUV光刻技术的继承性方案。事实上,三星公司已经进行了数十年实验室研究,目前正在尝试将其引入实际生产线。
各晶圆代工厂已经在利用某种形式的选择性沉积技术在器件的金属表面上进行材料沉积。但不同于此,区域选择性沉积要求配合新的工具,旨在于器件之上沉积不同的材料组合——金属沉积于金属上,电介质沉积于电介质上。
IBM公司阿尔马登研究中心研究员Rudy J Wojtecki解释称,IBM的项目希望对这一技术加以改进:
“如果使用传统制造方法,我们需要利用抗蚀剂涂覆基板,而后通过曝光步骤对抗蚀剂进行图案化处理,从而实现图案显影、沉积无机膜,而后去除抗蚀剂以制造出图案化无机材料。”
“我们发现了一种更简单的无机薄膜沉积方法,即使用自对准工艺。我们将预先涂覆的基板浸入含有特殊材料的溶液当中,而后将涂覆基板放置于沉积室中,这实际上能够以纳米级可控方式在器件上生长出元件。”
该小组目前使用的为三大主要区域选择性沉积方法之一,名为“原子层沉积”。该方法的重点,在于利用“自聚合单分子层”(简称SAM)。
这种方法可能有助于为新的硬件形式铺平道路,特别是三维结构等能够更好支持人工智能应用程序的硬件形式。
Wojtecki解释称,“一旦我们开发出这一过程的扩展性方法,我们即可在构建下一代硬件时开始采用——包括将其应用于新型人工智能硬件,或者7纳米技术节点或者更小技术节点的器件制造流程。”
IBM公司并不是唯一一家着力开发区域选择性原子层沉积技术的企业,不过Wojtecki认为他将能够为具有苛刻要求的应用定制化学结构,从而使得这种“新聚合、材料与表征方法”的开发最终具备可扩展能力。
好文章,需要你的鼓励
CPU架构讨论常聚焦于不同指令集的竞争,但实际上在单一系统中使用多种CPU架构已成常态。x86、Arm和RISC-V各有优劣,AI技术的兴起更推动了对性能功耗比的极致需求。当前x86仍主导PC和服务器市场,Arm凭借庞大生态系统在移动和嵌入式领域领先,RISC-V作为开源架构展现巨大潜力。未来芯片设计将更多采用异构计算,多种架构协同工作成为趋势。
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
Vast Data与云计算公司CoreWeave签署了价值11.7亿美元的多年期软件许可协议,这标志着AI基础设施存储市场的重要转折点。该协议涵盖Vast Data的通用存储层及高级数据平台服务,将帮助CoreWeave提供更全面的AI服务。业内专家认为,随着AI集群规模不断扩大,存储系统在AI基础设施中的占比可能从目前的1.9%提升至3-5%,未来五年全球AI存储市场规模将达到900亿至2000亿美元。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。