浅析深度学习在半导体行业的应用
1
摩尔定律即将终结？
近年来摩尔定律增长的脚步放缓，关于摩尔定律的种种猜测甚嚣尘上。但半导体行业人，仍然对此持乐观态度：持续性的创新仍在发生，目前行业生态系统中的每个分支都在努力实现更多突破和改进。例如，可制造性设计（dfm）始终在优化，除此之外，更强大的计算能力无疑成为行业发展的重中之重。
过去，半导体行业以两派划分，物联网或消费类电子设备，以及高性能计算。追求低功耗曾在两派之间占据主导地位，但随后计算能力的进一步提升则成为很重要的一个方向。因此，图形处理器（graphic processing unit）和大规模并行处理的体系结构将成为高性能计算的发展方向。当然，这不是一个突然的转变，而是随着时间推移而发生变化，但这已经是一个必然趋势。
提到图形处理技术，人工智能的问题不可回避。如今人工智能、机器学习和深度学习是业界风向标。但这究竟是炒作还是已然悄悄影响行业发展？
2
当人工智能遇到半导体
可以肯定，目前的人工智能根本不是炒作，而被深度学习所驱动的。深度学习是机器学习的一个分支，而机器学习是ai的一个分支。可以预见，深度学习包含了较多的非连续性、颠覆性的技术与重大的机遇。但它不像1980年代的lisp机器热潮。因为lisp编程语言并不适于一般编程人群。深度学习却颠覆了编程，与往常的编程 ——即编程者写代码并将一组输入转化成一组输出——不一样的是：深度学习会消化许多输入与输出的示例，并学习该模式下的匹配。从本质上讲，深度学习的输出是一个程序，它将输入转换为类似的输出，以此模仿训练数据集（training data set）。与之前的机器学习不同，深度学习解决了让软件工程师曾无法解决的编程问题，深度学习可以实现之前无法实现的软件应用程序。
毫无疑问的是，
深度学习开始影响半导体芯片行业。
以asml-brion著名的opc（光学邻近效应修正）示例来说：使用深度学习来加速opc或ilt（反演光刻技术）的初始嵌入，运行时间将会减少一半。众所周知，运行时间是opc中最重要的问题之一。其运作原理是使用深度学习的模式匹配能力，来创建一个比现有的替代方案更好的初始嵌入。这样做可以大大减少完成掩膜版（mask）设计所需的优化迭代次数，从而大幅度降低整体的运行时间。asml-brion论文描述了运行opc / ilt代码以用来获取一堆输入模式（所需的晶圆形状），并继而产生一堆输出模式（生成这些晶圆形状所需的掩膜形状）。现在，把这些输入和输出的搭配设置成在深度学习的模式下，即会生成一个程序，该程序将会把类似的输入（其他但仍是所需的晶圆形状）转换成类似的输出（掩膜形状）。
值得注意的是，深度学习是一种统计方法。
以imagenet competition和其他类似的事件举例，你可以在结果中获得95％的准确度，并且其中输出的掩膜形状将会生产出所需的晶圆形状，同时也对制造的变化有着适应力。当然，在半导体制造中，95％的精准度不算是一个完美数字。我们需要至少7-sigma的准确度。 这就是asml-brion的智慧所在，我们使用深度学习来加速计算。 在深度学习推理引擎生产出输出掩膜形状之后，这些掩膜形状在传统opc/ilt程序中被用作为初始嵌入。加入了初始嵌入后的传统程序会比没有任何设置、或只有晶圆形状（乘以4倍放大系数）、或甚至用一些sraf生成（sraf generation）来的运行速度更快。
3
技术浪潮将引领半导体去向何方
自动缺陷分类（automatic defect classification）作为一个检查掩膜和晶圆重要的领域，将普遍应用人工智能相关技术，包括大数据。晶圆厂（fabs）中蕴含大量的数据，而机器学习所擅长的，正是去关联大量数据和事件，总结其相关性。
半导体产业链中，光掩膜领域广泛融入深度学习，整个市场呈现增长态势。复合年均增长率（compound annual growth rate）在过去三年中一直保持在4％，并预计这个增长将继续一段时间。
过去很长一段时间，技术前沿的掩膜领域，每个设计可能会包含多达100个的掩膜， 但技术前沿的掩膜则非常鲜有。由于前沿的掩膜技术非常昂贵，只有少数公司能够负担。无论是从盈利还是生产数量的角度来看，掩膜市场都主要是被非前沿技术的掩膜所统领。然而，当前沿的技术最终突破高容量节点（high volume node），未来的掩膜市场将实现飞跃。
然而，前沿技术的掩膜仍然昂贵，目前的掩膜领域在行业的发展还未达到一个最活跃的顶峰。深度学习和通过深度学习所完成的计算给予了这个市场很大的助动，同样，在这个市场中，还有极紫外光光刻（euv）所带来的影响。在37亿美元的掩膜销售额中，很难看到极紫外光（euv）的比重，是因为极紫外光（euv）掩膜更加昂贵。可以预期，随着极紫外光（euv）掩膜数量的增加，整个掩膜市场也将再次飞跃。
4
euv即将迎来量产，是高峰还是挑战？
euv光刻技术正在接近量产阶段，但仍存在一些挑战。掩膜行业也在为euv做好准备。如今，多光束机器可以在掩膜版上绘制任何形状，而在过去，我们只能绘制直线形状。多光束的使用，突破了直线形状的局限，也带来了opc和ilt的进一步突破。然后euv带来的技术革新也绝不仅仅是输出曲线形状，由于它的写入性质，对于非常密集和小型设计（如euv掩膜）也十分适用。因此，euv掩膜，及纳米压印母版，都需要多光束技术。
从ebeam initiative的调查中可以看到，周转时间对掩膜制造来说是一个巨大的挑战。 euv掩膜则更加挑战，因为7nm及以下节点的单次曝光，致使euv可能具有较少的sraf甚至可能没有sraf。
掩膜过程校正（mask process correction - mpc）是opc或ilt的掩膜版本。为了印制出想要的掩膜，需要仔细操作形状。我们来做个假设，如果要在掩膜上绘制一个40nm宽、200nm高的矩形，却没有使用制作掩膜的合理抗蚀剂，可能最终我们能得到36nm宽、但是160纳米长的形状。而在晶圆加工的过程中， 1nm的差异都至关重要，因此掩膜非常重要。
掩膜的进步是应对下一节点挑战的利器，不断利用新兴技术手段，也将不断满足精度准度及周转时间的要求。
用于嵌入式系统引导的闪存设备比较
ios15界面大改 通知界面变动
随着物联网技术的发展，智能家居系统迎来新变化
新荣耀2021年计划曝光
Xilinx UlstraScale产品阵容荣耀面世五大解读
浅析深度学习在半导体行业的应用
软银与尼得科共同研发面向HAPS的轻量、高效、高可靠性的电机
浦发将发布手机支付产品 支持NFC支付技术
基于拓扑型微米叶传感电极的压力传感器设计
行业应用|光谱共焦在锂电池电极表面粗糙度测量
TYPE-C接口的优势有哪些？
WhatsApp可能很快会让您仅用指纹登录WhatsApp Web
基于可编程总线带宽控制系统的分配方案研究
PAM2862应用电路
小米6靠边站，超出魅族pro7,华为p10,乐视pro3,锤子t3一大截，一加5才是国产第一旗舰！
英飞特LED驱动电源助推照明行业高质量发展
一种典型嵌入式前后台系统的软件结构（上）
薄膜电容如何拔高OBC性能？
串行背板技术面临新挑战 Xilinx推出串行背板解决方案
孟晚舟被捕事件未完 梁华将暂代华为CFO
摩尔定律即将终结？
近年来摩尔定律增长的脚步放缓，关于摩尔定律的种种猜测甚嚣尘上。但半导体行业人，仍然对此持乐观态度：持续性的创新仍在发生，目前行业生态系统中的每个分支都在努力实现更多突破和改进。例如，可制造性设计（dfm）始终在优化，除此之外，更强大的计算能力无疑成为行业发展的重中之重。
过去，半导体行业以两派划分，物联网或消费类电子设备，以及高性能计算。追求低功耗曾在两派之间占据主导地位，但随后计算能力的进一步提升则成为很重要的一个方向。因此，图形处理器（graphic processing unit）和大规模并行处理的体系结构将成为高性能计算的发展方向。当然，这不是一个突然的转变，而是随着时间推移而发生变化，但这已经是一个必然趋势。
提到图形处理技术，人工智能的问题不可回避。如今人工智能、机器学习和深度学习是业界风向标。但这究竟是炒作还是已然悄悄影响行业发展？
2
当人工智能遇到半导体
可以肯定，目前的人工智能根本不是炒作，而被深度学习所驱动的。深度学习是机器学习的一个分支，而机器学习是ai的一个分支。可以预见，深度学习包含了较多的非连续性、颠覆性的技术与重大的机遇。但它不像1980年代的lisp机器热潮。因为lisp编程语言并不适于一般编程人群。深度学习却颠覆了编程，与往常的编程 ——即编程者写代码并将一组输入转化成一组输出——不一样的是：深度学习会消化许多输入与输出的示例，并学习该模式下的匹配。从本质上讲，深度学习的输出是一个程序，它将输入转换为类似的输出，以此模仿训练数据集（training data set）。与之前的机器学习不同，深度学习解决了让软件工程师曾无法解决的编程问题，深度学习可以实现之前无法实现的软件应用程序。
毫无疑问的是，
深度学习开始影响半导体芯片行业。
以asml-brion著名的opc（光学邻近效应修正）示例来说：使用深度学习来加速opc或ilt（反演光刻技术）的初始嵌入，运行时间将会减少一半。众所周知，运行时间是opc中最重要的问题之一。其运作原理是使用深度学习的模式匹配能力，来创建一个比现有的替代方案更好的初始嵌入。这样做可以大大减少完成掩膜版（mask）设计所需的优化迭代次数，从而大幅度降低整体的运行时间。asml-brion论文描述了运行opc / ilt代码以用来获取一堆输入模式（所需的晶圆形状），并继而产生一堆输出模式（生成这些晶圆形状所需的掩膜形状）。现在，把这些输入和输出的搭配设置成在深度学习的模式下，即会生成一个程序，该程序将会把类似的输入（其他但仍是所需的晶圆形状）转换成类似的输出（掩膜形状）。
值得注意的是，深度学习是一种统计方法。
以imagenet competition和其他类似的事件举例，你可以在结果中获得95％的准确度，并且其中输出的掩膜形状将会生产出所需的晶圆形状，同时也对制造的变化有着适应力。当然，在半导体制造中，95％的精准度不算是一个完美数字。我们需要至少7-sigma的准确度。 这就是asml-brion的智慧所在，我们使用深度学习来加速计算。 在深度学习推理引擎生产出输出掩膜形状之后，这些掩膜形状在传统opc/ilt程序中被用作为初始嵌入。加入了初始嵌入后的传统程序会比没有任何设置、或只有晶圆形状（乘以4倍放大系数）、或甚至用一些sraf生成（sraf generation）来的运行速度更快。
3
技术浪潮将引领半导体去向何方
自动缺陷分类（automatic defect classification）作为一个检查掩膜和晶圆重要的领域，将普遍应用人工智能相关技术，包括大数据。晶圆厂（fabs）中蕴含大量的数据，而机器学习所擅长的，正是去关联大量数据和事件，总结其相关性。
半导体产业链中，光掩膜领域广泛融入深度学习，整个市场呈现增长态势。复合年均增长率（compound annual growth rate）在过去三年中一直保持在4％，并预计这个增长将继续一段时间。
过去很长一段时间，技术前沿的掩膜领域，每个设计可能会包含多达100个的掩膜， 但技术前沿的掩膜则非常鲜有。由于前沿的掩膜技术非常昂贵，只有少数公司能够负担。无论是从盈利还是生产数量的角度来看，掩膜市场都主要是被非前沿技术的掩膜所统领。然而，当前沿的技术最终突破高容量节点（high volume node），未来的掩膜市场将实现飞跃。
然而，前沿技术的掩膜仍然昂贵，目前的掩膜领域在行业的发展还未达到一个最活跃的顶峰。深度学习和通过深度学习所完成的计算给予了这个市场很大的助动，同样，在这个市场中，还有极紫外光光刻（euv）所带来的影响。在37亿美元的掩膜销售额中，很难看到极紫外光（euv）的比重，是因为极紫外光（euv）掩膜更加昂贵。可以预期，随着极紫外光（euv）掩膜数量的增加，整个掩膜市场也将再次飞跃。
4
euv即将迎来量产，是高峰还是挑战？
euv光刻技术正在接近量产阶段，但仍存在一些挑战。掩膜行业也在为euv做好准备。如今，多光束机器可以在掩膜版上绘制任何形状，而在过去，我们只能绘制直线形状。多光束的使用，突破了直线形状的局限，也带来了opc和ilt的进一步突破。然后euv带来的技术革新也绝不仅仅是输出曲线形状，由于它的写入性质，对于非常密集和小型设计（如euv掩膜）也十分适用。因此，euv掩膜，及纳米压印母版，都需要多光束技术。
从ebeam initiative的调查中可以看到，周转时间对掩膜制造来说是一个巨大的挑战。 euv掩膜则更加挑战，因为7nm及以下节点的单次曝光，致使euv可能具有较少的sraf甚至可能没有sraf。
掩膜过程校正（mask process correction - mpc）是opc或ilt的掩膜版本。为了印制出想要的掩膜，需要仔细操作形状。我们来做个假设，如果要在掩膜上绘制一个40nm宽、200nm高的矩形，却没有使用制作掩膜的合理抗蚀剂，可能最终我们能得到36nm宽、但是160纳米长的形状。而在晶圆加工的过程中， 1nm的差异都至关重要，因此掩膜非常重要。
掩膜的进步是应对下一节点挑战的利器，不断利用新兴技术手段，也将不断满足精度准度及周转时间的要求。
用于嵌入式系统引导的闪存设备比较
ios15界面大改 通知界面变动
随着物联网技术的发展，智能家居系统迎来新变化
新荣耀2021年计划曝光
Xilinx UlstraScale产品阵容荣耀面世五大解读
浅析深度学习在半导体行业的应用
软银与尼得科共同研发面向HAPS的轻量、高效、高可靠性的电机
浦发将发布手机支付产品 支持NFC支付技术
基于拓扑型微米叶传感电极的压力传感器设计
行业应用|光谱共焦在锂电池电极表面粗糙度测量
TYPE-C接口的优势有哪些？
WhatsApp可能很快会让您仅用指纹登录WhatsApp Web
基于可编程总线带宽控制系统的分配方案研究
PAM2862应用电路
小米6靠边站，超出魅族pro7,华为p10,乐视pro3,锤子t3一大截，一加5才是国产第一旗舰！
英飞特LED驱动电源助推照明行业高质量发展
一种典型嵌入式前后台系统的软件结构（上）
薄膜电容如何拔高OBC性能？
串行背板技术面临新挑战 Xilinx推出串行背板解决方案
孟晚舟被捕事件未完 梁华将暂代华为CFO