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(dǎo)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(dǎo)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(dǎo)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(xué)習和深度學(xué)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(dǎo)體

可以肯定,，目前的人工智能根本不是炒作,，而被深度學(xué)習所驅(qū)動的。深度學(xué)習是機器學(xué)習的一個分支,，而機器學(xué)習是AI的一個分支,。可以預(yù)見,，深度學(xué)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(xué)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(xué)習會消化許多輸入與輸出的示例,，并學(xué)習該模式下的匹配,。從本質(zhì)上講，深度學(xué)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(xùn)練數(shù)據(jù)集（training data set）。與之前的機器學(xué)習不同,，深度學(xué)習解決了讓軟件工程師曾無法解決的編程問題,，深度學(xué)習可以實現(xiàn)之前無法實現(xiàn)的軟件應(yīng)用程序。

毫無疑問的是,，

深度學(xué)習開始影響半導(dǎo)體芯片行業(yè),。

以ASML-Brion著名的OPC（光學(xué)鄰近效應(yīng)修正）示例來說：使用深度學(xué)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(xué)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(xué)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(xué)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(yīng)力。當然,，在半導(dǎo)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(xué)習來加速計算,。 在深度學(xué)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(dǎo)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(yīng)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(xué)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(dǎo)體產(chǎn)業(yè)鏈中,，光掩膜領(lǐng)域廣泛融入深度學(xué)習，整個市場呈現(xiàn)增長態(tài)勢。復(fù)合年均增長率（Compound annual growth rate）在過去三年中一直保持在4％,，并預(yù)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(xué)習和通過深度學(xué)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(yù)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(yīng)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,。