在IEDM 2023上,英特尔展示了结合背面供电和直接背面触点的3D堆叠CMOS晶体管,这些开创性的技术进展将继续推进摩尔定律。
2023年12月9日,英特尔在IEDM 2023(2023 IEEE 国际电子器件会议)上展示了多项技术突破,为其未来的制程路线图提供了丰富的创新技术储备,充分说明了摩尔定律仍在不断演进。具体而言,英特尔研究人员在大会上展示了结合背面供电和直接背面触点(direct backside contacts)的3D堆叠CMOS晶体管,分享了近期背面供电研发突破的扩展路径(如背面触点),并率先在同一块300毫米晶圆上,而非封装中,成功实现了硅晶体管与氮化镓(GaN)晶体管的大规模单片3D集成。
英特尔公司高级副总裁兼组件研究总经理Sanjay Natarajan表示:“我们正在进入制程技术的埃米时代,展望‘四年五个制程节点’计划实现后的未来,持续创新比以往任何时候都更加重要。在IEDM 2023上,英特尔展示了继续推进摩尔定律的研究进展,这显示了
我们有能力面向下一代移动计算需求,开发实现晶体管进一步微缩和高能效比供电的前沿技术。”
晶体管微缩和背面供电是满足世界对更强大算力指数级增长需求的关键。一直以来,英特尔始终致力于满足算力需求,表明其技术创新将继续推动半导体行业发展,也仍然是摩尔定律的“基石”。英特尔组件研究团队不断拓展工程技术的边界,包括晶体管堆叠,背面供电技术的提升(有助于晶体管的进一步微缩和性能提升),以及将不同材料制成的晶体管集成在同一晶圆上。
英特尔近期在制程技术路线图上的诸多进展,包括PowerVia背面供电技术、用于先进封装的玻璃基板和Foveros Direct,彰显了英特尔正在通过技术创新不断微缩晶体管。这些创新技术均源自英特尔组件研究团队,预计将在2030年前投产。
在IEDM 2023上,英特尔组件研究团队同样展示了其在技术创新上的持续投入,以在实现性能提升的同时,在硅上集成更多晶体管。研究人员确定了所需的关键研发领域,旨在通过高效堆叠晶体管继续实现微缩。结合背面供电和背面触点,这些技术将意味着晶体管架构技术的重大进步。随着背面供电技术的完善和新型2D通道材料的采用,英特尔正致力于继续推进摩尔定律,在2030年前实现在单个封装内集成一万亿个晶体管。
英特尔实现了业界领先的、突破性的3D堆叠CMOS晶体管,结合了背面供电和背面触点技术:

超越其“四年五个制程节点”计划,以背面供电技术继续微缩晶体管,英特尔确定了所需的关键研发领域:
英特尔率先在同一块300毫米晶圆上成功集成硅晶体管和氮化镓晶体管,且性能良好:
英特尔推进2D晶体管领域的研发工作,以使其在未来继续按照摩尔定律的节奏微缩下去:
附属细则:
所有的产品和服务计划,以及路线图,如有更改,恕不另行通知。任何对英特尔运营所需商品和服务的预测仅供讨论之用。英特尔公司将不承担与本文件中公布的预测有关的任何购买责任。英特尔经常使用代码名称来识别正在开发的产品、技术或服务,用法可能随时间而变化。本文件未授予任何知识产权的许可(明示或暗示,以禁止反言或其他方式)。产品和工艺性能因使用、配置和其他因素而异。欲了解更多信息,请访问www.Intel.com/PerformanceIndex和www.Intel.com/ProcessInnovation。
对研究成果的引用,包括对技术、产品、制程工艺或封装性能的比较,均为估计,并不意味着可以使用。参考的发布日期和/或能力可能因使用、配置和其他因素而异。所描述的产品和服务可能含有缺陷或错误,可能导致与公布的规格存在偏差。目前的特征勘误表可按要求提供。英特尔公司否认所有明示和暗示的保证,包括但不限于对适销性、对特定用途的适用性和不侵权的暗示保证,以及由履约过程、交易过程或贸易惯例所产生的任何保证。
本文件中提到未来计划或预期的陈述为前瞻性陈述。这些陈述系基于当前的预期,涉及许多风险和不确定性,可能导致实际结果与这些陈述中所表达或暗示的结果有实质性的差异。欲进一步了解有关可能导致实际结果出现重大差异的因素,请参见我们最近发布的收益报告和美国证券交易委员会文件,网址:www.intc.com。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。