Chip automobilistici NXP MRAM e semiverso di Lam
Wafer di silicio e microcircuiti
NXP ha annunciato lo sviluppo congiunto della memoria magnetica ad accesso casuale (MRAM) incorporata nella tecnologia FinFET a 16 nm di TSMC. Questa MRAM verrà utilizzata nei processori automobilistici S32 di NXP. NXP sottolinea che lo sta facendo per supportare frequenti aggiornamenti software per le automobili intelligenti. Questi aggiornamenti software consentono alle case automobilistiche di implementare nuove funzionalità di comfort, sicurezza e praticità tramite aggiornamenti over-the-air (OTA) al fine di prolungare la vita del veicolo e migliorarne la funzionalità, l’attrattiva e la redditività. L'immagine seguente mostra come NXP utilizza i processori S32 per migliorare i veicoli.
Applicazioni per la piattaforma processore NXP S32
La MRAM sta sostituendo la flash NOR che viene spesso utilizzata per l'archiviazione del codice nei dispositivi integrati. La flash NOR incorporata presenta limiti di scalabilità che presentano dispositivi con caratteristiche inferiori a circa 28 nm. Il comunicato stampa prosegue affermando che "la MRAM può aggiornare 20 MB di codice in circa 3 secondi rispetto alle memorie flash che impiegano circa 1 minuto, riducendo al minimo i tempi di inattività associati agli aggiornamenti software e consentendo alle case automobilistiche di eliminare i colli di bottiglia derivanti dai lunghi tempi di programmazione dei moduli". Inoltre, MRAM fornisce una tecnologia altamente affidabile per i profili di missione automobilistici offrendo fino a un milione di cicli di aggiornamento, un livello di resistenza 10 volte maggiore rispetto alla flash e ad altre tecnologie di memoria emergenti."
La tecnologia MRAM incorporata 16FinFET di TSMC supera i requisiti delle applicazioni automobilistiche con la sua resistenza di un milione di cicli, il supporto per il riflusso della saldatura e la conservazione dei dati di 20 anni a 150°C. I campioni dei veicoli di prova sono in fase di valutazione e la disponibilità per i clienti dei veicoli che utilizzano questa tecnologia dovrebbe essere disponibile all’inizio del 2025.
Rick Gottscho, EVP e consulente strategico del CEO ed ex CTO di Lam Research, mi ha recentemente parlato dell'articolo di Lam su Nature che mostrava come l'intelligenza artificiale può aiutare ad accelerare l'ingegneria di processo per i semiconduttori (c'era anche un articolo di IEEE Spectrum di marzo su questo argomento).
Ha affermato che l’azienda sta sviluppando modi per accelerare lo sviluppo del processo dei semiconduttori in un ambiente virtuale, creando gemelli digitali per tutto ciò che accade nell’elaborazione dei semiconduttori. In particolare nelle operazioni di attacco e deposizione. Tradizionalmente questi sono stati tutti sviluppati utilizzando metodi empirici. Ci sono molte modifiche nei processi chimici, in particolare con l’aumento della complessità del processo. Ha affermato che esistono più di 100 trilioni di diverse ricette di processi chimici che possono essere eseguite sulle apparecchiature Lam. La progettazione tradizionale di esperimenti per sviluppare i processi migliori richiede molto tempo con così tante variabili ed è costosa in termini di tempo e denaro.
Per creare modelli efficaci e ottimizzare questi processi non è necessario il massimo livello di precisione, è sufficiente che siano abbastanza buoni da consentire un apprendimento rapido a basso costo. Un approccio iniziale per raggiungere questo obiettivo è sviluppare un modello semplice, ma non troppo semplice. Dovrebbe consentire di valutare problemi abbastanza vicini a ciò che viene fatto con le loro macchine e utilizzando parametri variabili. Dovrebbe includere importanti non linearità e fisica di base. Deve solo mostrare le tendenze nella giusta direzione, non l’accuratezza quantitativa.
Per poter progredire con tale approccio, era necessario che l’algoritmo ML imparasse dagli ingegneri di processo. I risultati degli esperimenti progettati dall'uomo potrebbero essere utilizzati per la messa a punto approssimativa del modello e, alla fine, per un'ulteriore messa a punto. L’obiettivo era arrivare entro il 10-25% dell’obiettivo multidimensionale. Un processo particolare che fa ampio uso di apparecchiature LAM è la creazione di fori con proporzioni elevate per il flash NAND 3D. Gli annunci flash NAND 3D di Micron e SK hynix richiedono uno stack di oltre 230 strati e il futuro flash NAND 3D potrebbe arrivare a 1.000 strati o più. Rick ha detto che può costare $ 1.000 per mezza giornata di incisione di un buco NAND 3D in un ambiente reale.
L'approccio Lam utilizza una routine di ottimizzazione baysesiana, piuttosto che un vero e proprio deep learning. Una volta incorporate nel modello le informazioni precedentemente note, l'algoritmo ha progettato esperimenti basati su questi risultati precedenti. Questi nuovi esperimenti potrebbero coinvolgere, ad esempio, 11 parametri. Quando i nuovi risultati sono stati ottenuti con i test di processo, questi sono stati reinseriti nel modello per creare una nuova serie di esperimenti progettati. Questo processo è stato ripetuto per sviluppare un processo finale ottimizzato. L'algoritmo utilizza un approccio statistico basato sulla distribuzione dei parametri. Gli esperimenti virtuali potrebbero essere eseguiti per 100 volte per ciascuna serie di condizioni per creare queste statistiche.