1

摩爾定律即將終結？

近年來摩爾定律增長的腳步放緩，關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構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，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。從本質上講，深度學習的輸出是一個程序，它將輸入轉換為類似的輸出，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）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置成在深度學習的模式下，即會生成一個程序，該程序將會把類似的輸入（其他但仍是所需的晶圓形狀）轉換成類似的輸出（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

技術浪潮將引領半導體去向何方

自動缺陷分類（Automatic defect classification）作為一個檢查掩膜和晶圓重要的領域，將普遍應用人工智能相關技術，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，正是去關聯(lián)大量數(shù)據(jù)和事件，總結其相關性。

半導體產(chǎn)業(yè)鏈中，光掩膜領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，技術前沿的掩膜領域，每個設計可能會包含多達100個的掩膜， 但技術前沿的掩膜則非常鮮有。由于前沿的掩膜技術非常昂貴，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的掩膜所統(tǒng)領。然而，當前沿的技術最終突破高容量節(jié)點（high volume node），未來的掩膜市場將實現(xiàn)飛躍。

然而，前沿技術的掩膜仍然昂貴，目前的掩膜領域在行業(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。可以預期，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帶來的技術革新也絕不僅僅是輸出曲線形狀，由于它的寫入性質，對于非常密集和小型設計（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。

從eBeam Initiative的調查中可以看到，周轉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，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，不斷利用新興技術手段，也將不斷滿足精度準度及周轉時間的要求。