La Luce Cristallina公司近日宣布推出全新的兼容CMOS氧化物伪衬底产品。该公司总部位于美国德克萨斯州奥斯汀,专注于面向硅光子领域的硅集成高性能材料研发,尤以钛酸钡(BaTiO3)材料为核心方向。
这一新平台可在200mm硅晶圆及绝缘体上硅(SOI)晶圆上直接外延生长高质量钛酸锶(SrTiO3)薄膜,有效弥合了学术氧化物研究与商业化制造之间的鸿沟,使业界能够借助标准半导体工具开发先进氧化物器件。该方案可支持超导射频电子器件、超低损耗射频元件、单光子探测器、量子传感、先进计算架构等多类新兴应用,与硅光子及异构集成领域的发展方向高度契合。
打破研究瓶颈,迈向晶圆级制造
长期以来,研究人员不得不依赖体积小、成本高的单晶SrTiO3衬底,而这类衬底与标准晶圆厂工艺流程并不兼容。La Luce Cristallina表示,其伪衬底平台通过与异构集成、共封装光学、晶圆级原型开发及下一代光子技术的代工厂路线图对齐,从根本上消除了上述瓶颈,实现了制造可扩展性。该方案提供大面积晶圆、高质量外延薄膜(厚度范围4nm至50nm),并完全兼容标准CMOS工具。
公司联合创始人兼首席技术官Agham Posadas表示:"我们推出的兼容CMOS氧化物伪衬底,将高性能氧化物电子器件从实验室带到了行业标准硅晶圆上,为射频元件和量子应用的可扩展器件开发打开了大门。通过降低成本、提升可扩展性并消除CMOS工具兼容性障碍,我们能够帮助硅光子生态系统中的客户加速创新。"
广阔市场前景
La Luce Cristallina表示,其晶圆级方案在保持薄膜质量的同时大幅扩展了可用面积,能够服务于多个快速增长的市场。射频元件市场预计将从目前的500亿美元增长至2030年的911.9亿美元,受国防、传感、5G部署及卫星通信等领域强劲需求驱动。在政府资金大力支持下,量子技术市场(涵盖传感、探测及超导电子器件)预计将以41.8%的年均复合增长率扩张,到2030年达到202亿美元规模。
该平台还可支持高校、国家实验室及企业研发团队开展氧化物电子研究,满足此前因衬底供应受限而无法推进的研究需求。目前,La Luce Cristallina已服务于集成光子研究、量子计算及其他先进电子领域的多类客户。
Ambature Inc.首席执行官Ron Kelly对此评价道:"La Luce Cristallina的兼容CMOS氧化物伪衬底扫除了氧化物电子器件规模化道路上最大的障碍之一。通过在200mm硅晶圆上利用标准半导体工具实现高质量钛酸锶薄膜的生长,La Luce Cristallina正帮助Ambature等企业将先进射频和量子技术从研究环境推向现实应用系统。"
Q&A
Q1:La Luce Cristallina推出的兼容CMOS氧化物伪衬底主要解决什么问题?
A:该衬底平台主要解决传统单晶SrTiO3衬底体积小、成本高且与标准晶圆厂工艺不兼容的问题。通过支持在200mm硅晶圆及SOI晶圆上直接外延生长高质量钛酸锶薄膜,并完全兼容标准CMOS工具,该方案让氧化物电子器件的规模化制造成为可能,填补了学术研究与商业生产之间的空白。
Q2:兼容CMOS氧化物伪衬底能支持哪些应用领域?
A:该平台支持多类新兴应用,包括超导射频电子器件、超低损耗射频元件、单光子探测器、量子传感及先进计算架构等,同时与硅光子和异构集成方向高度契合。此外,它还可服务于高校、国家实验室及企业研发团队,尤其适用于此前受衬底供应制约的氧化物电子研究场景。
Q3:氧化物伪衬底平台所针对的市场规模有多大?
A:射频元件市场预计从目前约500亿美元增长至2030年的约912亿美元,增长动力来自国防、传感、5G及卫星通信等领域;量子技术市场则预计以41.8%的年均复合增长率增长,到2030年达202亿美元,整体市场前景广阔,该平台具备显著的商业化潜力。
好文章,需要你的鼓励
AMD宣布收购内存优化初创公司MEXT,将其预测性内存优化软件整合至AI基础设施产品组合。该技术利用AI智能调配数据在闪存与DRAM之间的流转,在不大幅扩充硬件的前提下提升有效内存容量、降低能耗与成本。分析师指出,随着DRAM价格大幅攀升、供应趋紧,软件驱动的内存优化策略正重获企业关注,AI基础设施竞争已从"芯片战"演进为"基础设施优化战"。
普林斯顿大学团队公开i1文生图模型完整训练食谱,3B参数通过300+受控实验优化设计,在五大评测中超越多个参数量更大的开源模型,完整开放权重、代码与数据。
温哥华港通过加拿大ELECTRA计划,向五家港口货运公司提供高额补贴的Peterbilt 579EV八级电动重卡60个月租赁方案,涵盖充电基础设施、维护及技术培训。该试点旨在收集电动重卡在集装箱短途运输中的真实数据,并与行业及政府共享。项目获得约300万加元支持,为期一年的数据采集将为未来电动重卡大规模推广提供依据。
腾讯混元提出CPPO方法,通过位置权重和累积前缀预算两个机制改进AI强化学习训练,在多个Qwen3模型的数学推理任务上超越现有方法,最大提升达5.56分。