1

摩爾定律即將終結(jié),？

近年來摩爾定律增長的腳步放緩,，關(guān)于摩爾定律的種種猜測甚囂塵上,。但半導體行業(yè)人，仍然對此持樂觀態(tài)度：持續(xù)性的創(chuàng)新仍在發(fā)生,，目前行業(yè)生態(tài)系統(tǒng)中的每個分支都在努力實現(xiàn)更多突破和改進。例如,，可制造性設(shè)計（DFM）始終在優(yōu)化,，除此之外,，更強大的計算能力無疑成為行業(yè)發(fā)展的重中之重。

過去,，半導體行業(yè)以兩派劃分,，物聯(lián)網(wǎng)或消費類電子設(shè)備，以及高性能計算,。追求低功耗曾在兩派之間占據(jù)主導地位,，但隨后計算能力的進一步提升則成為很重要的一個方向。因此,，圖形處理器（Graphic Processing Unit）和大規(guī)模并行處理的體系結(jié)構(gòu)將成為高性能計算的發(fā)展方向,。當然，這不是一個突然的轉(zhuǎn)變,，而是隨著時間推移而發(fā)生變化,，但這已經(jīng)是一個必然趨勢。

提到圖形處理技術(shù),，人工智能的問題不可回避,。如今人工智能、機器學習和深度學習是業(yè)界風向標,。但這究竟是炒作還是已然悄悄影響行業(yè)發(fā)展,？

2

當人工智能遇到半導體

可以肯定，目前的人工智能根本不是炒作,，而被深度學習所驅(qū)動的,。深度學習是機器學習的一個分支，而機器學習是AI的一個分支,?？梢灶A見，深度學習包含了較多的非連續(xù)性,、顛覆性的技術(shù)與重大的機遇,。但它不像1980年代的Lisp機器熱潮。因為Lisp編程語言并不適于一般編程人群,。深度學習卻顛覆了編程,，與往常的編程 ——即編程者寫代碼并將一組輸入轉(zhuǎn)化成一組輸出——不一樣的是：深度學習會消化許多輸入與輸出的示例，并學習該模式下的匹配,。從本質(zhì)上講,，深度學習的輸出是一個程序，它將輸入轉(zhuǎn)換為類似的輸出,，以此模仿訓練數(shù)據(jù)集（training data set）,。與之前的機器學習不同，深度學習解決了讓軟件工程師曾無法解決的編程問題,，深度學習可以實現(xiàn)之前無法實現(xiàn)的軟件應用程序,。

毫無疑問的是,，

深度學習開始影響半導體芯片行業(yè)。

以ASML-Brion著名的OPC（光學鄰近效應修正）示例來說：使用深度學習來加速OPC或ILT（反演光刻技術(shù)）的初始嵌入,，運行時間將會減少一半,。眾所周知，運行時間是OPC中最重要的問題之一,。其運作原理是使用深度學習的模式匹配能力,，來創(chuàng)建一個比現(xiàn)有的替代方案更好的初始嵌入。這樣做可以大大減少完成掩膜版（mask）設(shè)計所需的優(yōu)化迭代次數(shù),，從而大幅度降低整體的運行時間,。 ASML-Brion論文描述了運行OPC / ILT代碼以用來獲取一堆輸入模式（所需的晶圓形狀），并繼而產(chǎn)生一堆輸出模式（生成這些晶圓形狀所需的掩膜形狀）,。 現(xiàn)在,，把這些輸入和輸出的搭配設(shè)置成在深度學習的模式下，即會生成一個程序,，該程序?qū)杨愃频妮斎耄ㄆ渌允撬璧木A形狀）轉(zhuǎn)換成類似的輸出（掩膜形狀）,。

值得注意的是，深度學習是一種統(tǒng)計方法,。

以ImageNet Competition和其他類似的事件舉例,，你可以在結(jié)果中獲得95％的準確度,，并且其中輸出的掩膜形狀將會生產(chǎn)出所需的晶圓形狀,，同時也對制造的變化有著適應力。當然,，在半導體制造中,，95％的精準度不算是一個完美數(shù)字。我們需要至少7-sigma的準確度,。 這就是ASML-Brion的智慧所在,，我們使用深度學習來加速計算。 在深度學習推理引擎生產(chǎn)出輸出掩膜形狀之后,，這些掩膜形狀在傳統(tǒng)OPC/ILT程序中被用作為初始嵌入,。加入了初始嵌入后的傳統(tǒng)程序會比沒有任何設(shè)置、或只有晶圓形狀（乘以4倍放大系數(shù)）,、或甚至用一些SRAF生成（SRAF generation）來的運行速度更快,。

3

技術(shù)浪潮將引領(lǐng)半導體去向何方

自動缺陷分類（Automatic defect classification）作為一個檢查掩膜和晶圓重要的領(lǐng)域，將普遍應用人工智能相關(guān)技術(shù),，包括大數(shù)據(jù),。晶圓廠（fabs）中蘊含大量的數(shù)據(jù)，而機器學習所擅長的,，正是去關(guān)聯(lián)大量數(shù)據(jù)和事件,，總結(jié)其相關(guān)性,。

半導體產(chǎn)業(yè)鏈中，光掩膜領(lǐng)域廣泛融入深度學習,，整個市場呈現(xiàn)增長態(tài)勢,。復合年均增長率（Compound annual growth rate）在過去三年中一直保持在4％，并預計這個增長將繼續(xù)一段時間,。

過去很長一段時間,，技術(shù)前沿的掩膜領(lǐng)域，每個設(shè)計可能會包含多達100個的掩膜,， 但技術(shù)前沿的掩膜則非常鮮有,。由于前沿的掩膜技術(shù)非常昂貴，只有少數(shù)公司能夠負擔,。無論是從盈利還是生產(chǎn)數(shù)量的角度來看,，掩膜市場都主要是被非前沿技術(shù)的掩膜所統(tǒng)領(lǐng)。然而,，當前沿的技術(shù)最終突破高容量節(jié)點（high volume node）,，未來的掩膜市場將實現(xiàn)飛躍。

然而,，前沿技術(shù)的掩膜仍然昂貴,，目前的掩膜領(lǐng)域在行業(yè)的發(fā)展還未達到一個最活躍的頂峰。深度學習和通過深度學習所完成的計算給予了這個市場很大的助動,，同樣,，在這個市場中，還有極紫外光光刻（EUV）所帶來的影響,。在37億美元的掩膜銷售額中,，很難看到極紫外光（EUV）的比重，是因為極紫外光（EUV）掩膜更加昂貴,?？梢灶A期，隨著極紫外光（EUV）掩膜數(shù)量的增加,，整個掩膜市場也將再次飛躍,。

4

EUV即將迎來量產(chǎn)，是高峰還是挑戰(zhàn),？

EUV光刻技術(shù)正在接近量產(chǎn)階段,，但仍存在一些挑戰(zhàn)。掩膜行業(yè)也在為EUV做好準備,。如今,，多光束機器可以在掩膜版上繪制任何形狀，而在過去，我們只能繪制直線形狀,。多光束的使用,，突破了直線形狀的局限，也帶來了OPC和ILT的進一步突破,。然后EUV帶來的技術(shù)革新也絕不僅僅是輸出曲線形狀,，由于它的寫入性質(zhì)，對于非常密集和小型設(shè)計（如EUV掩膜）也十分適用,。因此,，EUV掩膜，及納米壓印母版,，都需要多光束技術(shù),。

從eBeam Initiative的調(diào)查中可以看到，周轉(zhuǎn)時間對掩膜制造來說是一個巨大的挑戰(zhàn),。 EUV掩膜則更加挑戰(zhàn),，因為7nm及以下節(jié)點的單次曝光，致使EUV可能具有較少的SRAF甚至可能沒有SRAF,。

掩膜過程校正（Mask Process Correction - MPC）是OPC或ILT的掩膜版本,。為了印制出想要的掩膜，需要仔細操作形狀,。我們來做個假設(shè),，如果要在掩膜上繪制一個40nm寬、200nm高的矩形,，卻沒有使用制作掩膜的合理抗蝕劑,，可能最終我們能得到36nm寬、但是160納米長的形狀,。而在晶圓加工的過程中,， 1nm的差異都至關(guān)重要,，因此掩膜非常重要,。

掩膜的進步是應對下一節(jié)點挑戰(zhàn)的利器，不斷利用新興技術(shù)手段,，也將不斷滿足精度準度及周轉(zhuǎn)時間的要求,。