Chips automotrices NXP MRAM y semiverso de Lam

Obleas de Silicio y Microcircuitos

NXP anunció una memoria magnética integrada de acceso aleatorio (MRAM) desarrollada conjuntamente en la tecnología FinFET de 16 nm de TSMC. Esta MRAM se utilizará en los procesadores automotrices S32 de NXP. NXP enfatiza que están haciendo esto para admitir actualizaciones frecuentes de software para automóviles inteligentes. Estas actualizaciones de software permiten a los fabricantes de automóviles implementar nuevas características de comodidad, seguridad y conveniencia a través de actualizaciones inalámbricas (OTA) para extender la vida útil del vehículo y mejorar su funcionalidad, atractivo y rentabilidad. La siguiente imagen muestra cómo NXP usa los procesadores S32 para mejorar los vehículos.

Aplicaciones para la plataforma del procesador NXP S32

La MRAM está reemplazando a la memoria flash NOR, que a menudo se usa para el almacenamiento de código en dispositivos integrados. El flash NOR incorporado tiene límites de escala que presentan dispositivos con características de menos de 28 nm. El comunicado de prensa continúa diciendo que "MRAM puede actualizar 20 MB de código en ~3 segundos en comparación con las memorias flash que tardan aproximadamente 1 minuto, lo que minimiza el tiempo de inactividad asociado con las actualizaciones de software y permite a los fabricantes de automóviles eliminar los cuellos de botella que surgen de los largos tiempos de programación del módulo. Además, MRAM proporciona una tecnología altamente confiable para perfiles de misión automotriz al ofrecer hasta un millón de ciclos de actualización, un nivel de resistencia 10 veces mayor que flash y otras tecnologías de memoria emergentes".

La tecnología MRAM integrada 16FinFET de TSMC supera los requisitos de las aplicaciones automotrices con su resistencia de un millón de ciclos, soporte para reflujo de soldadura y retención de datos de 20 años a 150 °C. Las muestras de vehículos de prueba están en evaluación y la disponibilidad de los clientes para los vehículos que utilizan esta tecnología debería estar disponible a principios de 2025.

Rick Gottscho, vicepresidente ejecutivo y asesor estratégico del director ejecutivo y ex director de tecnología de Lam Research, habló recientemente conmigo sobre el artículo de Lam en Nature que mostraba cómo la IA puede ayudar a acelerar la ingeniería de procesos para semiconductores (también hubo un artículo de IEEE Spectrum de marzo sobre este tema).

Dijo que la compañía está desarrollando formas de acelerar el desarrollo del proceso de semiconductores en un entorno virtual, creando gemelos digitales para todo lo que sucede en el procesamiento de semiconductores. Particularmente en operaciones de grabado y deposición. Tradicionalmente, todos estos se han desarrollado utilizando métodos empíricos. Hay muchos ajustes en los procesos químicos, particularmente a medida que aumenta la complejidad del proceso. Dijo que hay más de 100 billones de recetas de procesos químicos diferentes que pueden ejecutarse en equipos Lam. El diseño tradicional de experimentos para desarrollar los mejores procesos consume mucho tiempo con tantas variables y es costoso en tiempo y dinero.

Para crear un modelado efectivo y la optimización de estos procesos no se necesita el mayor nivel de precisión, solo debe ser lo suficientemente bueno para permitir un aprendizaje rápido a bajo costo. Un enfoque inicial para lograr esto es desarrollar un modelo que sea simple, pero no demasiado simple. Debería permitir evaluar problemas que son bastante parecidos a lo que se hace con sus máquinas y utilizando parámetros variables. Debe incluir no linealidades importantes y física básica. Solo necesita mostrar tendencias en la dirección correcta, no precisión cuantitativa.

Para avanzar con este enfoque, necesitaban que el algoritmo ML aprendiera de los ingenieros de procesos. Los resultados de los experimentos diseñados por humanos podrían usarse para un ajuste aproximado del modelo y, al final, para un ajuste adicional. El objetivo era llegar al 10-25% del objetivo multidimensional. Un proceso particular que hace un amplio uso de los equipos LAM es hacer orificios de alta relación de aspecto para flash 3D NAND. Los anuncios de flash 3D NAND de Micron y SK hynix requieren una pila de más de 230 capas y el futuro flash 3D NAND podría llegar a 1000 capas o más. Rick dijo que puede costar $ 1,000 por medio día de grabado para un agujero 3D NAND en un entorno real.

El enfoque de Lam utiliza una rutina de optimización baysesiana, en lugar de un verdadero aprendizaje profundo. Una vez que la información conocida anterior se incorporó al modelo, el algoritmo diseñó experimentos basados ​​en estos resultados anteriores. Estos nuevos experimentos podrían implicar, por ejemplo, 11 parámetros. Cuando se obtuvieron los nuevos resultados con las pruebas de proceso, estos se retroalimentaron al modelo para crear un nuevo conjunto de experimentos diseñados. Este proceso se iteró para desarrollar un proceso final optimizado. El algoritmo utiliza un enfoque estadístico basado en la distribución de parámetros. Los experimentos virtuales se pueden ejecutar 100 veces para cada conjunto de condiciones para generar estas estadísticas.

La combinación de experiencia humana y conocimientos combinados con algoritmos de ML para modelar y optimizar procesos como este resultó en tener tolerancias más estrictas y menos de la mitad del costo y el tiempo de hacer el mismo proceso de desarrollo utilizando solo expertos humanos. Los cálculos del modelo real se realizan en la nube utilizando una versión modificada del software comercial que LAM proporciona a los clientes para simular los resultados de sus procesos en 3D. El código se modifica para agregar mecanismos basados ​​en la física y se calibra con los datos. La entrada heurística de las publicaciones también se ingresa en el simulador.

Uno de los grandes temas para el análisis físico de las recetas de proceso es la metrología. Los experimentos pueden tardar menos de un día en ejecutarse, pero las mediciones de los resultados del proceso pueden llevar más tiempo.

Rick también habló sobre llevar este trabajo a otro nivel para crear lo que llamó un Semiverso. Esto comenzaría creando un "primo digital" que mejorará con más datos para convertirse en un "gemelo digital". La imagen a continuación muestra cómo este concepto podría mejorar el desarrollo del proceso de semiconductores a un costo más bajo y proporcionar desarrollo de la fuerza laboral y las barreras que se interponen en el camino del desarrollo de este concepto.

Concepto de investigación LAM para el semiverso

Hay un gran valor que uno puede aprender usando entornos que son similares pero no idénticos a los procesos que se están modelando. Dijo que tales primos digitales pueden ser una herramienta de desarrollo de la fuerza laboral para enseñar a los ingenieros de procesos y reducir el costo de aprendizaje utilizando equipos físicos reales y para la evaluación del aprendizaje en tiempo real. Además, acceder a dichos entornos virtuales es mucho más fácil que usar el equipo físico real.

Rick dijo que un Semiverso no se creará de la noche a la mañana. Debe construirse ladrillo virtual por ladrillo virtual. Los modelos fallarán y deberán mejorarse y todo este sistema está aprendiendo con el tiempo. El camino hacia la precisión es la iteración, de modo que eventualmente un primo digital se convierta en un verdadero gemelo digital.

NXP anunció que sus procesadores automotrices S32 incluirán MRAM integrado de TSMC. Lam está utilizando herramientas de aprendizaje automático para crear nuevos procesos de forma más rápida y económica y está trabajando para crear un verdadero Semiverso de fabricación de semiconductores.