Puces automobiles NXP MRAM et semi-univers de Lam

Plaquettes de silicium et microcircuits

NXP a annoncé avoir développé conjointement une mémoire magnétique à accès aléatoire (MRAM) intégrée dans la technologie FinFET TSMC 16 nm. Cette MRAM sera utilisée dans les processeurs automobiles S32 de NXP. NXP souligne qu'ils le font pour prendre en charge les mises à niveau logicielles fréquentes pour les automobiles intelligentes. Ces mises à jour logicielles permettent aux constructeurs automobiles de déployer de nouvelles fonctionnalités de confort, de sécurité et de commodité via des mises à jour sans fil (OTA) afin de prolonger la durée de vie du véhicule et d'améliorer sa fonctionnalité, son attrait et sa rentabilité. L'image ci-dessous montre comment NXP utilise les processeurs S32 pour améliorer les véhicules.

Applications pour la plate-forme de processeur NXP S32

La MRAM remplace la mémoire flash NOR qui est souvent utilisée pour le stockage de code dans les appareils embarqués. Le flash NOR intégré a des limites de mise à l'échelle qui présentent des appareils avec des fonctionnalités inférieures à environ 28 nm. Le communiqué de presse poursuit en disant que "la MRAM peut mettre à jour 20 Mo de code en ~ 3 secondes par rapport aux mémoires flash qui prennent environ 1 minute, minimisant les temps d'arrêt associés aux mises à jour logicielles et permettant aux constructeurs automobiles d'éliminer les goulots d'étranglement résultant des longs temps de programmation des modules. De plus, la MRAM fournit une technologie hautement fiable pour les profils de mission automobile en offrant jusqu'à un million de cycles de mise à jour, un niveau d'endurance 10 fois supérieur à la mémoire flash et aux autres technologies de mémoire émergentes.

La technologie MRAM intégrée 16FinFET de TSMC dépasse les exigences des applications automobiles avec son endurance d'un million de cycles, sa prise en charge de la refusion de la soudure et sa conservation des données de 20 ans à 150 °C. Des échantillons de véhicules d'essai sont en cours d'évaluation et la disponibilité des clients pour les véhicules utilisant cette technologie devrait être disponible au début de 2025.

Rick Gottscho, vice-président exécutif et conseiller stratégique du PDG et ancien directeur technique de Lam Research m'a récemment parlé de l'article de Lam dans Nature qui montrait comment l'IA peut aider à accélérer l'ingénierie des processus pour les semi-conducteurs (il y avait aussi un article de mars IEEE Spectrum sur ce sujet).

Il a déclaré que la société développait des moyens d'accélérer le développement de processus de semi-conducteurs dans un environnement virtuel, en créant des jumeaux numériques pour tout ce qui se passait dans le traitement des semi-conducteurs. En particulier dans les opérations de gravure et de dépôt. Traditionnellement, ceux-ci ont tous été développés à l'aide de méthodes empiriques. Il y a beaucoup d'ajustements dans les processus chimiques, en particulier à mesure que la complexité du processus augmente. Il a déclaré qu'il existe plus de 100 000 milliards de recettes de processus chimiques différentes pouvant être exécutées sur l'équipement Lam. La conception traditionnelle d'expériences pour développer les meilleurs processus prend du temps avec tant de variables et coûte cher en temps et en argent.

Pour créer une modélisation et une optimisation efficaces de ces processus, il n'est pas nécessaire d'avoir le plus haut niveau de précision, il suffit qu'il soit suffisamment bon pour permettre un apprentissage rapide à faible coût. Une première approche pour y parvenir consiste à développer un modèle simple, mais pas trop simple. Il doit permettre d'évaluer des problèmes assez proches de ce qui se fait avec leurs machines et d'utiliser des paramètres variables. Il devrait inclure les non-linéarités importantes et la physique de base. Il doit seulement montrer des tendances dans la bonne direction, pas une précision quantitative.

Afin de progresser avec une telle approche, ils avaient besoin que l'algorithme ML apprenne des ingénieurs de processus. Les résultats d'expériences conçues par l'homme pourraient être utilisés pour un réglage approximatif du modèle et à la fin pour un réglage plus poussé. L'objectif était de se situer entre 10 et 25 % de la cible multidimensionnelle. Un processus particulier qui utilise largement l'équipement LAM consiste à créer des trous à rapport d'aspect élevé pour le flash 3D NAND. Les annonces de flash 3D NAND de Micron et SK hynix nécessitent une pile de plus de 230 couches et le futur flash 3D NAND pourrait aller jusqu'à 1 000 couches ou plus. Rick a déclaré que cela peut coûter 1 000 $ pour une gravure d'une demi-journée pour un trou NAND 3D dans un environnement réel.

L'approche Lam utilise une routine d'optimisation baysésienne, plutôt qu'un véritable apprentissage en profondeur. Une fois les informations connues antérieures incorporées dans le modèle, l'algorithme a conçu des expériences basées sur ces résultats précédents. Ces nouvelles expériences pourraient porter, par exemple, sur 11 paramètres. Lorsque les nouveaux résultats ont été obtenus avec des tests de processus, ils ont été réinjectés dans le modèle pour créer un nouvel ensemble d'expériences conçues. Ce processus a été itéré pour développer un processus final optimisé. L'algorithme utilise une approche statistique s'appuyant sur la distribution des paramètres. Des expériences virtuelles peuvent être exécutées 100 fois pour chaque ensemble de conditions afin d'établir ces statistiques.

La combinaison de l'expérience et de l'expertise humaines combinées aux algorithmes ML pour modéliser et optimiser des processus comme celui-ci a permis d'avoir des tolérances plus strictes et à moins de la moitié du coût et du temps de développement du même processus en utilisant uniquement des experts humains. Les calculs réels du modèle sont effectués dans le cloud à l'aide d'une version modifiée d'un logiciel commercial que LAM fournit aux clients pour simuler leurs résultats de processus en 3D. Le code est modifié pour ajouter des mécanismes basés sur la physique et est calibré sur les données. L'entrée heuristique des publications est également entrée dans le simulateur.

L'un des grands enjeux de l'analyse physique des recettes de procédé est la métrologie. Les expériences peuvent prendre moins d'une journée pour s'exécuter, mais les mesures des résultats du processus peuvent prendre plus de temps.

Rick a également parlé de porter ce travail à un autre niveau pour créer ce qu'il a appelé un Semiverse. Cela commencerait par créer un "cousin numérique" qui s'améliorera avec plus de données pour devenir un "jumeau numérique". L'image ci-dessous montre comment ce concept pourrait améliorer le développement de processus de semi-conducteurs à moindre coût, et fournir un développement de la main-d'œuvre et les obstacles qui s'opposent au développement de ce concept.

Concept de recherche LAM pour le semi-univers

Il y a une grande valeur que l'on peut apprendre en utilisant des environnements qui sont proches mais pas identiques aux processus modélisés. Il a déclaré que ces cousins ​​​​numériques peuvent être un outil de développement de la main-d'œuvre pour former des ingénieurs de processus et réduire le coût de l'apprentissage en utilisant un équipement physique réel et pour une évaluation de l'apprentissage en temps réel. De plus, accéder à de tels environnements virtuels est beaucoup plus facile que d'utiliser l'équipement physique réel.

Rick a dit qu'un Semiverse ne sera pas créé du jour au lendemain. Il doit être construit brique virtuelle par brique virtuelle. Les modèles échoueront et devront être améliorés et tout ce système apprend avec le temps. Le chemin vers les précisions est l'itération, de sorte qu'un cousin numérique finira par devenir un véritable jumeau numérique !

NXP a annoncé que ses processeurs automobiles S32 comprendront de la MRAM intégrée de TSMC. Lam utilise des outils d'apprentissage automatique pour créer de nouveaux processus plus rapidement et à moindre coût et travaille à la création d'un véritable semi-univers de fabrication de semi-conducteurs.