AI+新型二维半导体：从集成电路工艺到芯片制造，复旦大学最新研究

复旦大学在AI+新型二维半导体领域取得重要研究进展，通过机器学习优化二维半导体集成电路工艺，并成功制造出晶圆级器件与芯片，展示了二维材料在芯片制造领域的巨大潜力。

• 研究背景

  芯片性能需求提升：人工智能和可移动终端的发展对芯片的高算力和低能耗提出了更高要求。目前集成电路的晶体管沟道长度和厚度已接近原子尺度，传统半导体材料性能接近极限。

  二维半导体的潜力：国际器件与系统发展路线（IRDS）指出，原子厚度的二维半导体在大规模集成电路中具有巨大潜力，发展基于二维半导体的新型芯片具有战略意义。

  二维层状材料（2DLMs）：以石墨烯为代表，具有独特的电学、光学、力学、热学性质，在多个领域有广阔应用前景。目前广泛研究的2DLMs包括石墨烯、氮化硼、过渡金属硫族化合物等。

• 复旦大学的研究进展

  研究团队：复旦大学微电子学院的包文中研究员课题组和周鹏教授团队通过长期合作，在二维半导体材料晶圆级生长、工艺集成、电路设计等方向开展了系统研究。

  机器学习辅助优化：研究团队利用机器学习策略优化了二维半导体增强型顶栅晶体管的制备工艺，采用工业标准设计流程和工艺进行了晶圆级器件与电路的制造和测试。

  研究成果：提出了一种适合学术界探索的二维半导体集成电路工艺优化路线，展示了二维材料体系未来的芯片应用前景。相关研究以《Wafer-scale functional circuits based on two dimensional semiconductors with fabrication optimized by machine learning》为题，发表在《Nature Communications》杂志上。

• 研究核心内容

  机器学习算法应用：利用积累的实验数据样本集，采用机器学习算法进行数据训练，识别具有优良器件指标的器件工艺特征。通过算法高效评估所有可能的工艺组合，结合工艺专家经验设计实验验证，提升算法准确率，最终得到最优工艺组合。

  优势：机器学习的高效性辅助科研人员进行巨量组合筛选，极大减小工作量。该策略具有通用性，其他新型材料也可利用此策略缩短器件工艺探究与应用进程，提高科研效率。

• 机器学习辅助优化的具体应用

  理解处理步骤影响：机器学习用于了解每个处理步骤对最终设备性能的影响，对于通过化学气相沉积（CVD）在绝缘基板上生长的MoS2等材料尤为重要，因为每个处理步骤后的器件测量变得困难。

  优化工艺模块：展示了机器学习比传统工艺优化方法更有效地改进基于新兴半导体的器件制造工艺。

• 晶圆级制造与测试

  晶圆级测试：为了展示大批量生产潜力，采用行业标准设计流程和流程的晶圆级测试FET阵列和4位全加器。在2英寸晶圆上制造了MoS2 TG-FET阵列和1位全加器阵列。

  4位全加器测试：制作了一个完整的4位全加器，由4个由156个FET组成的并行1位全加器组成。使用八种输入信号组合测试，输出结果表明4位全加器表现出正确的逻辑功能和轨到轨转换。

  工业生产潜力：研究表明，晶圆级MoS2薄膜与优化的器件加工技术相结合，有可能实现工业大批量生产。ML引导的MoS2制造技术为构建与当前硅基技术兼容的未来大规模2D IC提供了潜在途径。

• 二维半导体人工神经网络芯片

  芯片构建：研究团队利用二维半导体超薄厚度、可调带隙等优势，构建了包含突触权重存储单元、乘加卷积运算单元以及激活函数单元的全二维人工神经网络芯片，突破了二维半导体从器件工艺到芯片制造的困难。

  研究发表：相关进展以《An Artificial Neutral Network Chip Based on Two-Dimensional Semiconductor》为题发表于《科学通报》（Science Bulletin）期刊上。

  芯片功能：利用level-62 SPICE模型构建晶体管仿真模型，对人工神经网络中的模拟电路进行仿真和优化。构建的芯片可用于未来智能传感应用，突破了冯诺依曼架构的限制，具有多个感知“突触”，可存储和改变感知信号的相应权重，实现感知信号与权重的乘加运算，并输入到激活函数电路进行映射与归一化。

  应用演示：结合片外软件演示了未来基于MoS2人工神经网络芯片可实现的触觉盲文分类器，经过权重值优化后的盲文字母识别率达到97%以上。

• 研究意义与未来展望

  研究意义：证明了二维半导体在晶圆级集成电路中的优势，为其未来在人工智能计算中的应用铺平了道路。

  未来方向：团队将继续聚焦于新型二维半导体，深挖其特有属性，往新计算范式、三维集成应用方向探索，进一步推动其在集成电路产业中的实际应用。

很赞哦!（35）