Автомобильные чипы NXP MRAM и полувселенная Лама

Кремниевые пластины и микросхемы

NXP анонсировала совместную разработку встроенной магнитной памяти с произвольным доступом (MRAM) по технологии TSMC 16 нм FinFET. Эта MRAM будет использоваться в автомобильных процессорах NXP S32. В NXP подчеркивают, что делают это для поддержки частых обновлений программного обеспечения для «умных» автомобилей. Эти обновления программного обеспечения позволяют автопроизводителям внедрять новые функции комфорта, безопасности и удобства посредством беспроводных (OTA) обновлений, чтобы продлить срок службы автомобиля и повысить его функциональность, привлекательность и прибыльность. На изображении ниже показано, как NXP использует процессоры S32 для улучшения транспортных средств.

Приложения для процессорной платформы NXP S32

MRAM заменяет флэш-память NOR, которая часто используется для хранения кода во встроенных устройствах. Встроенная флэш-память NOR имеет ограничения масштабирования, которые позволяют устройствам с функциями менее 28 нм. Далее в пресс-релизе говорится, что «MRAM может обновить 20 МБ кода примерно за 3 секунды по сравнению с флэш-памятью, которая занимает около 1 минуты, сводя к минимуму время простоя, связанное с обновлениями программного обеспечения, и позволяя автопроизводителям устранять узкие места, возникающие из-за длительного времени программирования модулей. Кроме того, MRAM обеспечивает высоконадежную технологию для автомобильных профилей задач, предлагая до миллиона циклов обновления, уровень долговечности в 10 раз выше, чем у флэш-памяти и других новых технологий памяти».

Встроенная технология MRAM 16FinFET от TSMC превосходит требования автомобильных приложений благодаря долговечности в один миллион циклов, поддержке оплавления припоем и 20-летнему сохранению данных при температуре 150°C. Образцы тестовых автомобилей находятся на стадии оценки, и автомобили, использующие эту технологию, появятся у клиентов в начале 2025 года.

Рик Готчо, исполнительный вице-президент и стратегический советник генерального директора и бывшего технического директора Lam Research, недавно рассказал мне о статье Лама в журнале Nature, в которой показано, как искусственный интеллект может помочь ускорить разработку процессов полупроводников (на эту тему также была опубликована мартовская статья IEEE Spectrum).

Он сказал, что компания разрабатывает способы ускорения разработки полупроводниковых процессов в виртуальной среде, создавая цифровые двойники всего, что происходит в сфере обработки полупроводников. Особенно при операциях травления и осаждения. Традиционно все они разрабатывались с использованием эмпирических методов. Химические процессы подвергаются многочисленным изменениям, особенно по мере увеличения их сложности. Он сказал, что существует более 100 триллионов различных рецептов химических процессов, которые можно реализовать на оборудовании Lam. Традиционное планирование экспериментов для разработки лучших процессов требует много времени, учитывая большое количество переменных, и требует больших затрат времени и денег.

Для создания эффективного моделирования и оптимизации этих процессов не требуется высочайший уровень точности, он просто должен быть достаточно хорошим, чтобы обеспечить быстрое обучение при низких затратах. Первоначальный подход к достижению этой цели заключается в разработке простой, но не слишком простой модели. Он должен позволять оценивать проблемы, довольно близкие к тому, что делается на их машинах, и использовать переменные параметры. Он должен включать важные нелинейности и основы физики. Ему нужно только показывать тенденции в правильном направлении, а не количественную точность.

Чтобы добиться прогресса в использовании такого подхода, им нужно было научиться алгоритму машинного обучения у инженеров-технологов. Результаты экспериментов, спроектированных человеком, могут быть использованы для грубой настройки модели и, в конце концов, для дальнейшей настройки. Цель заключалась в том, чтобы достичь многомерной цели в пределах 10–25%. Особый процесс, в котором широко используется оборудование LAM, — это создание отверстий с большим соотношением сторон для флэш-памяти 3D NAND. Для флэш-памяти 3D NAND от Micron и SK hynix требуется стек из более чем 230 слоев, а в будущем флэш-память 3D NAND может достигать 1000 и более слоев. Рик сказал, что травление дыры 3D NAND в реальной среде может стоить 1000 долларов за полдня.

Подход Лама использует процедуру байсесовской оптимизации, а не настоящее глубокое обучение. После того как известная информация была включена в модель, алгоритм разработал эксперименты, основанные на этих предыдущих результатах. Эти новые эксперименты могут включать, например, 11 параметров. Когда новые результаты были получены в ходе технологических испытаний, они были возвращены в модель для создания нового набора запланированных экспериментов. Этот процесс повторялся для разработки окончательного оптимизированного процесса. Алгоритм использует статистический подход, основанный на распределении параметров. Для получения этой статистики виртуальные эксперименты можно проводить 100 раз для каждого набора условий.