特尔的目标是在封装中将密度提升10倍以上,将逻辑微缩提升30%至50%,并布局非硅基半导体
在不懈推进摩尔定律的过程中,英特尔公布了在封装、晶体管和量子物理学方面的关键技术突破,这些突破对推进和加速计算进入下一个十年至关重要。在2021 IEEE国际电子器件会议(IEDM)上,英特尔概述了其未来技术发展方向,即通过混合键合(hybrid bonding)将在封装中的互连密度提升10倍以上,晶体管微缩面积提升30%至50%,在全新的功率器件和内存技术上取得重大突破,基于物理学新概念所衍生的新技术,在未来可能会重新定义计算。
英特尔高级院士兼组件研究部门总经理Robert Chau表示:“在英特尔,为持续推进摩尔定律而进行的研究和创新从未止步。英特尔的组件研究团队在IEDM 2021上分享了关键的研究突破,这些突破将带来革命性的制程工艺和封装技术,以满足行业和社会对强大计算的无限需求。这是我们最优秀的科学家和工程师们不懈努力的结果,他们将继续站在技术创新的最前沿,不断延续摩尔定律。”
摩尔定律满足了从大型计算机到移动电话等每一代技术的需求,并与计算创新同步前行。如今,随着我们进入一个具有无穷数据和人工智能的计算新时代,这种演变仍在继续。
持续创新是摩尔定律的基石,英特尔的组件研究团队致力于在三个关键领域进行创新:第一,为提供更多晶体管的核心微缩技术;第二,在功率器件和内存增益领域提升硅基半导体性能;第三,探索物理学新概念,以重新定义计算。众多突破摩尔定律昔日壁垒并出现在当前产品中的创新技术,都源自于组件研究团队的研究工作,包括应变硅、高K-金属栅极技术、FinFET晶体管、RibbonFET,以及包括EMIB和Foveros Direct在内的封装技术创新。
在IEDM 2021上披露的突破性进展表明,英特尔正通过对以下三个领域的探索,持续推进摩尔定律,并将其延续至2025年及更远的未来。
一、为在未来的产品中提供更多的晶体管,英特尔正针对核心微缩技术进行重点研究:
. 英特尔的研究人员概述了混合键合互连中的设计、制程工艺和组装难题的解决方案,期望能在封装中将互连密度提升10倍以上。在今年7月的英特尔加速创新:制程工艺和封装技术线上发布会中,英特尔宣布计划推出Foveros Direct,以实现10微米以下的凸点间距,使3D堆叠的互连密度提高一个数量级。为了使生态系统能从先进封装中获益,英特尔还呼吁建立新的行业标准和测试程序,让混合键合芯粒(hybrid bonding chiplet)生态系统成为可能。
. 展望其GAA RibbonFET(Gate-All-Around RibbonFET)技术,英特尔正引领着即将到来的后FinFET时代,通过堆叠多个(CMOS)晶体管,实现高达30%至50%的逻辑微缩提升,通过在每平方毫米上容纳更多晶体管,以继续推进摩尔定律的发展。
. 英特尔同时也在为摩尔定律进入埃米时代铺平道路,其前瞻性的研究展示了英特尔是如何克服传统硅通道限制,用仅有数个原子厚度的新型材料制造晶体管,从而实现在每个芯片上增加数百万晶体管数量。在接下来的十年,实现更强大的计算。
二、英特尔为硅注入新功能:
. 通过在300毫米的晶圆上首次集成氮化镓基(GaN-based)功率器件与硅基CMOS,实现了更高效的电源技术。这为CPU提供低损耗、高速电能传输创造了条件,同时也减少了主板组件和空间。
. 另一项进展是利用新型铁电体材料作为下一代嵌入式DRAM技术的可行方案。该项业界领先技术可提供更大内存资源和低时延读写能力,用于解决从游戏到人工智能等计算应用所面临的日益复杂的问题。
三、英特尔正致力于大幅提升硅基半导体的量子计算性能,同时也在开发能在室温下进行高效、低功耗计算的新型器件。未来,基于全新物理学概念衍生出的技术将逐步取代传统的MOSFET晶体管:
. 在IEDM 2021上,英特尔展示了全球首例常温磁电自旋轨道(MESO)逻辑器件,这表明未来有可能基于纳米尺度的磁体器件制造出新型晶体管。
. 英特尔和比利时微电子研究中心(IMEC)在自旋电子材料研究方面取得进展,使器件集成研究接近实现自旋电子器件的全面实用化。
. 英特尔还展示了完整的300毫米量子比特制程工艺流程。该量子计算工艺不仅可持续微缩,且与CMOS制造兼容,这确定了未来研究的方向。
关于英特尔组件研究部门:英特尔组件研究部门是英特尔技术研发部门中的研究团队,负责提供革命性的制程工艺和封装技术方案,以推进摩尔定律并实现英特尔的产品和服务。英特尔组件研究团队与公司的业务部门建立了内部合作关系,以预测未来需求。同时,该团队也与外部建立合作关系,包括政府机构研究实验室、行业协会、大学研究团体及各类供应商,以保持英特尔研究和开发渠道的完整性。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。