扯开摩尔定律

Sanjay Natarajan公司副总裁应用材料负责晶体管,互连和内存解决方案,坐下来与半导体工程谈论变异,摩尔定律,钴等新材料的影响,和不同的内存架构和方法。以下是摘录的谈话。

SE:可靠性关键安全性问题变得更加的人工智能技术。的目标是为了提高单个组件的可靠性,这是典型的各个击破的策略,还是理解系统出错?

Natarajan这两种。今天,传统冯·诺依曼的人工智能是常见的方法来提高可靠性。的目标是良好的可靠性与数字设备和数字芯片架构,同时扩展。但是这种方法分解时获得更多的晶体管或功率效率每隔几年不再是可以实现的。这个行业需要保持良好的可靠性而使事情越来越凉爽,这有其自身的挑战。追求brain-inspired,神经形态类型的方法是更具挑战性,因为它不再是可能的隐藏背后的数字变化的框架。例如,没有人会注意到变异短于晶体管的时钟速度' A '可能比晶体管开关速度“B”,只要他们在一个时钟周期内完成切换。数字世界基本上隐藏变异。与模拟,更节能,但由于变异不能隐藏,它必须被消除或最小化。这是综合材料解决方案发挥作用。在芯片制作的传统模式,每一步都是一个不同的车站。有单独的工具做光刻,刻蚀,沉积和测量。很多共同改进和集成能力是制造完成时丢失。

SE:会发生什么当你更并发的方法吗?

Natarajan:同步量测和沉积可以减少变异因为沉积停止当目标点。如果一个室运行缓慢的今天和明天跑的更快,没关系。最牵引的方法是把一个端点系统到流程工具或过程。进一步可以涉及沉淀物质,然后把它。问题是目前晶圆片的室或系统,材料的属性变化。制造商正面临这与钴,非常被动。从材料科学家的角度来看,这是一个头痛的问题。

SE:这是环境的变化,对吧?

Natarajan:是的。今天,芯片制造商的一个共同的目标是存款和波兰的钴。我们使沉积工具和抛光机,但我们不控制工具之间发生了什么。这是我们客户的空间。但我们知道钴极其敏感这两个工具之间发生了什么。不同的FOUP(前开式标准pod)环境中,甚至是晶片的传输时间的沉积工具,抛光机,可以产生一个变化的状态。这如何影响抛光,进而转化为变异。沉积加上波兰很有变化由中间的空格。

SE:比例可以通过其他方法比收缩特性。是否有足够的受益于包装和新的建筑方法取代传统的比例吗?

Natarajan答案是:它不是一个非此即彼。这一直是摩尔定律+包装+异构集成。摩尔定律是这样一个强大的杠杆,我们没有行使其他手段。任何交付在每瓦特性能和晶体管芯片是足够了。40年来我们所做的摩尔定律、搞搞边缘。有很多的包装选择,其中一些非常创新。我们从土地网格阵列针网阵列,和包装的发展智能手机空间已经持续了一段时间。对于智能手机来说,这不仅仅是关于应用程序处理器或摩尔定律,因为它不是只有性能。也对DRAM和叠加在一个应用程序处理器所以适合产品的形式因素。包装技术并排行进了摩尔定律的马力收益。现在,经典摩尔定律扩展正在放缓。

SE:我们听说能力/性能提升20%的预期未来几个节点。这有可能吗?

Natarajan:这是可能的,但我们已经从两年五年的节奏韵律。当没有足够快的技术进步,有什么理由升级。例如,虚拟现实是伟大的技术,但它在控股模式,等待摩尔定律要传递一种引人注目的足够的经验来驱动市场。与一个真实的虚拟现实系统,我可以访问家庭大半个地球,这是一个值得拥有的经验和升级。

SE:获得性能,还有其他的吗?你能和更多的定制构建芯片实现同样的事情?

Natarajan:是的,但是这是一个一次性的技巧。cpu一直提供改进的速度不够好,不值得向着另一个方向。当摩尔定律开始慢下来,gpu的更改。这是一个人工智能的方向的第一步。现在的行业是说gpu不够快,所以许多公司正在设计自己的芯片。执行引擎不再CPU-generic或GPU-generic。现在用的这个矩阵的大小向量,或需要转化这个矩阵和目标人工智能工作负载,所以只做具体设计晶体管,一个函数的工作。

SE:但是起点已经改变了,,因为现在的起点不是硬件或软件。它的数据。

Natarajan:是的,但是对于任何一个应用程序有一个理想的架构。那不是要向前发展。作为一个例子,有人工智能技术,将识别人脸的照片在你的智能手机,找到各种各样的相关照片。这个应用程序是运行在专用硬件专用功能。硬件不会开车,但不同的人工智能专用芯片将开车。所以从CPU与GPU,特制的对于一个给定的应用程序,是一个一次性的改进。没有版本的摩尔定律来改善。

SE:多少转速呢?我们现在必须回去觉得超出了芯片吗?

Natarajan:摩尔定律的物理基础,这些一次性的想法不加起来。我们必须这样做的必要性。应用集中地区之一是包装技术,因为它提供了一个合理的扩展摩尔定律的基础。这是一个方法让事情演变。

SE:所以这仍然是移动电子,还是别的?

Natarajan:这是一个小的东西。有传统的摩尔定律扩展CMOS。综合材料解决方案可以使传统scaling-wires携带电子,空穴和电子的单位信息和晶体管的开关。主流的方法将继续,必须改善。有身体的工作综合材料解决方案,得到扩展以某种形式回到正轨。还有一个身体的工作是分类的,“我们还可以做些什么?一个答案是包装和材料创新应用,并从其他芯片架构。包装可以捡一些扩展的负载。可以通过异构integration-using先进技术的最关键部分芯片,加上高收益,相对较佳的其他组件技术。你将所有的零件一起高速包装。

SE:不同的内存架构如何?

Natarajan:还有一个想让记忆更接近计算,使用模拟开关或内存计算技术。我们有content-addressable记忆在我们的大脑思考记忆时,整个记忆在你的大脑。冯诺依曼体系结构的可寻址内存,只知道去哪里找到八个比特和检索。而不是检索位或模拟的东西时,大脑会建立一个记忆。

SE:如果你在背景下,内存和计算发生了什么我们讨论过一些经典的减速装置,遇到如变异?变化可能是一个问题在某些情况下,而不是其他人,但你不一定知道除非你所有的数据在你的指尖。

Natarajan:我们对变异如何适应这种模式的理解今天非常有限。这是美丽的冯诺依曼体系和为什么它是如此的成功。变化是可以理解的和可测试的。EDA和测试工具,我们可以保证正确性,即使有30亿个开关和几百兆字节的内存。但在模拟空间,我们尚不知道如何保证正确性,更不用说映射到变异的正确性的保证。虽然有某些任务错误是可以忍受的,比如智能手机不是不正确地识别一个人的照片,这是不能接受的自主汽车驱动不正常,因为变异问题。

SE:有多少关注的工程材料一起工作作为一个系统?

Natarajan:材料工程公司,这是非常令人兴奋的。如果一个开关可以嵌入的材料吗?如果材料本身有一个传递函数,不需要建立一个晶体管的50个不同的集体就像一个开关的事情。材料本身的行为作为一个开关,并操纵其属性可以做基于材料特性我们知道如何控制。

SE:完全改变了感知的可靠性和性能,因为现在你正在处理一个系统。

Natarajan:它会使事情变得复杂。MRAM是一个很好的例子。在其最简单的,MRAM是一堆材料,在一定条件下作为嵌入式非易失性内存中。如果核心氧化镁MRAM是两个原子厚或薄,不能和不工作记忆。刚刚好,它工作得很好。

SE:相变内存是更加困难,对吧,因为现在你处理化学反应?

Natarajan:是的,这是在我们的驾驶室工艺设备公司。如果有需要六个原子厚了一层,然后我们可以实现它,您可以创建一个类的功能是一致的。

SE:那时你沉淀或增长,而不是生产这个,对吗?

Natarajan:是的,但是这是沉淀的集成和测量同时出现的原因。例如,如果一个工具在其早年通过维护活动,这可能是炎热和快速沉淀。如果它是接近室生活的结束,也许是慢慢沉淀。不管怎样我们可以看到每个原子去确保一致性。

SE:不过,你在这里也得到了一些见解,因为你看这个整体。你发现你没有预料到的什么?

Natarajan:潜在的甚至比我预期的,因为我们可以解决其他事情。这种集成的自然副产品的一些问题就消失。其中一些我们弄清楚当我们得到数据。往往,意想不到的事情好的一面。

艾城SE:有两个方面。一个是我们如何在现实世界中使用它。另一种是你如何使用它在内部创建材料或产品。你是怎么用的呢?

Natarajan:我们正在构建的人工智能设备更好地处理数十亿比特的数据。工具有传感器和致动器收集数据和处理数据,而且在大多数系统算法。新兴的人工智能能力最终将使一个推论方法,这些数据可以被用来训练和推断,所以该工具会相应地调整基于检测到的数据。

SE:添加一个水平的成本效益的工具,,因为你了解失败的时间表,可以根据以前的数据预测,对吧?

Natarajan:是的,没错。你可以保护带,但是你也可以看到的东西比算法。大量的训练数据我们可以得到的是难以置信。这个工具生成数据夜以继日,收集输入和输出,并没有需要了解从输入到输出的动态,因为数据被添加到一个培训引擎。然后,这可能会导致这些信息被用于前馈模式来控制材料的厚度或阶段,或者当工具。这允许控制工具以及晶圆上的质量和变化。

SE:有多少数据可以从10到5 nm或3海里?

Natarajan:我的经验是,它必须重新学习。但它不是一个大问题,因为很多数据生成的如此之快,开始不会花超过几天。最重要的是重新学习的每一个过程所特有的。