芯片巨头声称,其演示的技术能够“显著”提高元件密度。
英特尔正为其未来芯片寻找新的开发路线,包括3D堆叠晶体管以实现更高密度、扩展背面供电以及使用氮化稼来实现更高的传输功率等。
总部位于圣克拉拉的芯片巨头将在本周于旧金山召开的第69届IEEE国际电子器件年会(IEDM)上,公布关于未来芯片开发的一系列研究成果。本文将对相关消息做一番前瞻分析。
英特尔曾在今年6月详细介绍过其PowerVia技术,此项技术将为晶体管供电的线路转移至芯片背面(即所谓背面供电),从而释放出更多空间以容纳传输信号的互连线路。此项技术预计将在2024年上半年在采用Intel 20A工艺节点的芯片上首次亮相,随后下沉至Intel 18A节点。
如今,英特尔又开始着手研究如何进一步对背面供电进行功能扩展。英特尔技术研究院研究员Mauro Kobrinsky表示,其中一项新功能为背面通信,即首次实现芯片两侧晶体管之间的连接。
Kobrinsky宣称,“现在我们可以直接为器件供电,而无需使用PowerVias在器件周边布线,从而降低电路中的电容。凭借更低的电容,切换速度将有所提升,也让我们能够以更低的功耗提供更高的性能。”
PowerVia还让英特尔提出的另一项技术——即器件堆叠——成为可能。但Kobrinsky同时表示,由于电源和信号仍然需要被传递至顶部和底部器件层,因此需要为整个互连体系建立一套复杂的拓扑结构。根据他的说明,PowerVia已经实现了技术可行性,而且在配合垂直互连之后将进一步节约芯片空间。
器件堆叠本身以所谓互补场效应晶体管(CFET)技术为基础,这是一种可通过3D堆叠n型及p型金属氧化物半导体器件实现晶体管扩展的潜在迭代方向。英特尔表示,CFET有望成为继RibbonFET(全栅晶体管设计)之后的下一代器件密度提升方案。
英特尔使用该技术构建出一个逆变器(一种非常简单的电路),其中两个晶体管不再并排放置在硅晶圆之上,而是相互垂直堆叠。一旦能够横向扩展,将可实现更高的器件密度。
英特尔首席工程师Marko Radosvljevic表示,这是一项目前尚未实装的新颖技术,因为堆叠器件的互连仍然是个难题。但根据他的介绍,PowerVia有望攻克难关、让这种新的布局结构成为可能。
Radosavljevic解释道,“我们使用PowerVia将顶部器件连接至晶圆背面,并使用直连背触点连接底部器件。由于这些器件间彼此堆叠,因此无法直接将底部器件与晶圆顶部相连,所以我们才必须按照前面这种方式进行排布。”
堆叠器件示意图
他还补充称,“我们对于此项研究的前景感到兴奋,认为其可能将显著提高器件密度。”
根据英特尔的介绍,这款逆变器将在本周的IEDM上首次对外展示。
英特尔IEDM的第三个主题就是在芯片中使用氮化稼(GaN)以提高供电效率,具体来讲就是将GaN晶体管与硅晶体管集成在同一晶圆之上。
英特尔首席工程师Han Wui表示,GaN器件的增益几乎可以达到功率放大器中LDMOS等硅器件的20倍。
(更准确地讲,他的意思是其效能系数比硅器件高出近20倍。)
在IEDM大会上,Wui还将展示英特尔公布的DrGaN——这是一种供电开关,将CMOS驱动电路与GaN晶体管相结合以实现供电,且二者可以集成在同一芯片之上。
英特尔表示,通过将GaN和硅晶体管相集成,新工艺有望满足未来市场对于计算功率密度和能效水平的实际需求。
在IEDM上展示的所有技术均由英特尔组件研究小组负责开发。英特尔芯片中尺度制程开发(Chip Mesoscale Process Development)部门负责人Paul Fischer表示,该小组的任务就是确保为公司内的芯片设计师们提供更多技术选择。
“本质来讲,我们的目标就是确保技术开发团队在设计未来制程技术时,能够有一系列方案可供选择。”
随着英特尔尝试使用晶圆(切割后被称为晶片)背板作为信号通道,合乎逻辑的下一步方向自然就是在这里放置更多组件,例如采用双面印刷电路板。所以我们不禁好奇,英特尔有没有在这方面做出探索?
Fischer表示,英特尔一直在研究各种技术,因此“将组件和功能放置在芯片背面、或者将附加功能放置在信号端的想法,肯定都是值得探索的思路。我们将继续研究诸如此类的各种概念。”
他还解释道,最终是否采用将取决于系统的协同优化效果,即通过严格的电子设计自动化、工具和EDA处理流程,验证其性能水平是否具备成本合理性。
作为新闻发布会之后的补充,英特尔还表示计划在本届IEDM大会上展示全球首个全栅极2D过渡金属二硫族化合物(TMD)晶体管。TMD半导体有望成为强有力的备选方案,替代物理栅极长度低于10纳米的现有硅晶体管。
好文章,需要你的鼓励
这篇研究介绍了KVzip,一种创新的查询无关KV缓存压缩方法,通过上下文重建机制为大型语言模型提供高效存储解决方案。该技术能将KV缓存大小减少394倍,同时提高解码速度约2倍,在各种任务上性能几乎不受影响。不同于传统查询相关的压缩方法,KVzip创建可在多种查询场景下重用的通用压缩缓存,特别适合个性化AI助手和企业信息检索系统。研究在LLaMA3.1-8B、Qwen2.5-14B和Gemma3-12B等多种模型上进行了验证,处理长度高达17万词元的文本,并能与KV缓存量化等其他优化技术无缝集成。
腾讯与上海交通大学联合推出的DeepTheorem研究突破了大型语言模型在数学定理证明领域的限制。该项目创建了包含12.1万个IMO级别非形式化定理的大规模数据集,开发了专门的RL-Zero强化学习策略,并设计了全面的评估框架。研究表明,通过使用自然语言而非传统形式化系统,即使是7B参数的模型也能在复杂定理证明上取得显著成果,超越许多更大的专业模型。这一成果为AI数学推理开辟了新途径,使语言模型能够像人类数学家一样思考和证明。
MAGREF是字节跳动智能创作团队开发的多主体视频生成框架,能从多张参考图像和文本提示生成高质量视频。该技术引入了区域感知动态遮罩机制,使单一模型灵活处理人物、物体和背景,无需架构变化;并采用像素级通道拼接机制,在通道维度上运作以更好地保留外观特征。实验表明,MAGREF在身份一致性和视觉质量方面优于现有技术,能将单主体训练泛化到复杂多主体场景,为内容创作者提供了强大而便捷的视频生成工具。
这项研究揭示了大型语言模型(LLMs)偏好决策的内在机制。以色列理工学院和IBM研究院的团队开发了一种自动化方法,不需人工预设即可发现和解释影响AI判断的关键概念。研究横跨八个领域(从一般问答到安全评估),分析了12种偏好机制,发现人类评判者重视权威性和清晰度,而AI评判更关注事实准确性。他们提出的层次多领域回归模型不仅能准确预测偏好,还能清晰解释判断过程,为构建更透明、更符合人类价值观的AI系统提供了新途径。