NXP MRAM 車載チップとラムズセミバース

シリコンウェーハと超小型回路

NXPは、TSMC 16nm FinFETテクノロジで共同開発した組み込み磁気ランダムアクセスメモリ(MRAM)を発表しました。 この MRAM は、NXP の S32 車載プロセッサで使用されます。 NXPは、スマート自動車の頻繁なソフトウェアアップグレードをサポートするためにこれを行っていると強調している。 これらのソフトウェア アップデートにより、自動車メーカーは、車両の寿命を延ばし、機能性、魅力、収益性を向上させるために、無線 (OTA) アップデートを通じて新しい快適性、安全性、利便性の機能を展開できるようになります。 下の画像は、NXP が S32 プロセッサを使用して車両を強化する方法を示しています。

NXP S32 プロセッサ プラットフォームのアプリケーション

MRAM は、組み込みデバイスのコード保存によく使用される NOR フラッシュを置き換えています。 組み込み NOR フラッシュには、約 28nm 未満の機能を備えたデバイスを提供するスケーリング制限があります。 プレスリリースではさらに「フラッシュメモリには約1分かかるのに比べ、MRAMは20MBのコードを約3秒で更新できるため、ソフトウェア更新に伴うダウンタイムが最小限に抑えられ、自動車メーカーは長いモジュールプログラミング時間から生じるボトルネックを解消できる」と述べている。さらに、MRAM は、最大 100 万回の更新サイクルを提供することで、自動車のミッション プロファイルに信頼性の高いテクノロジーを提供します。これは、フラッシュや他の新興メモリ テクノロジーの 10 倍以上の耐久性レベルです。」

TSMC の 16FinFET 組み込み MRAM テクノロジーは、100 万サイクルの耐久性、はんだリフローのサポート、および 150°C で 20 年間のデータ保持により、車載アプリケーションの要件を超えています。 テスト車両のサンプルは評価中であり、この技術を使用した車両は 2025 年初頭に顧客に提供される予定です。

Lam Research の副社長兼 CEO の戦略アドバイザーで元 CTO の Rick Gottscho 氏は、最近、AI が半導体のプロセス エンジニアリングの加速にどのように役立つかを示した Nature 誌の Lam 氏の記事について私に話してくれました (このテーマに関する 3 月の IEEE Spectrum 記事もありました)。

同氏は、同社は仮想環境で半導体プロセス開発を加速する方法を開発し、半導体プロセスで行われるすべてのデジタルツインを構築していると述べた。 特にエッチングおよび堆積操作において。 伝統的に、これらはすべて経験的な方法を使用して開発されてきました。 化学プロセスでは、特にプロセスの複雑さが増すにつれて、多くの調整が必要になります。 彼は、Lam 装置で実行できる 100 兆を超える異なる化学プロセスのレシピがあると述べました。 最良のプロセスを開発するための従来の実験計画は、非常に多くの変数を使用するため時間がかかり、時間と費用がかかります。

これらのプロセスの効果的なモデリングと最適化を作成するには、最高レベルの精度は必要ありません。低コストで高速な学習を可能にするのに十分な精度があれば十分です。 これを達成するための最初のアプローチは、シンプルだが単純すぎないモデルを開発することです。 これにより、マシンで行われたものに非常に近い問題を、可変パラメーターを使用して評価できるようになります。 重要な非線形性と基本的な物理学を含める必要があります。 定量的な正確さではなく、正しい方向の傾向を示すことのみが必要です。

このようなアプローチを進めるためには、ML アルゴリズムをプロセス エンジニアから学ばせる必要がありました。 人間が計画した実験の結果は、モデルの大まかな調整と、最終的なさらなる調整に使用できます。 目標は、多次元ターゲットの 10 ～ 25% 以内に到達することでした。 LAM 装置を広く利用する特定のプロセスは、3D NAND フラッシュ用の高アスペクト比の穴を作成することです。 Micron と SK hynix による 3D NAND フラッシュの発表では、230 層を超えるスタックが必要であり、将来の 3D NAND フラッシュは 1,000 層以上になる可能性があります。 Rick 氏は、実際の環境では 3D NAND ホールのエッチングに半日かかる場合があり、1,000 ドルかかる可能性があると述べました。

Lam アプローチでは、真の深層学習ではなく、ベイジアン最適化ルーチンが使用されます。 以前の既知の情報がモデルに組み込まれると、アルゴリズムはこれらの以前の結果に基づいて実験を設計しました。 これらの新しい実験には、たとえば 11 個のパラメーターが含まれる可能性があります。 プロセステストで新しい結果が得られると、それらはモデルにフィードバックされて、一連の新しい計画された実験が作成されました。 このプロセスを繰り返して、最終的に最適化されたプロセスを開発しました。 このアルゴリズムでは、パラメーターの分布に基づいた統計的アプローチが使用されます。 これらの統計を構築するために、条件セットごとに仮想実験が 100 回実行される場合があります。

このようなプロセスのモデリングと最適化を行うために人間の経験と専門知識を ML アルゴリズムと組み合わせることで、許容誤差が厳しくなり、人間の専門家のみを使用して同じプロセス開発を行う場合に比べてコストと時間が半分以下になります。 実際のモデル計算は、プロセス結果を 3D でシミュレートするために LAM が顧客に提供する商用ソフトウェアの修正バージョンを使用してクラウドで実行されます。 コードは物理ベースのメカニズムを追加するように変更され、データに合わせて調整されます。 出版物からのヒューリスティック入力もシミュレーターに入力されます。

プロセスレシピの物理解析における大きな問題の 1 つは、計測学です。 実験の実行には 1 日もかかりませんが、プロセス結果の測定にはさらに時間がかかる場合があります。

リックはまた、この作品を別のレベルに引き上げて、彼がセミバースと呼ぶものを作成することについても話しました。 これは、より多くのデータによって改善され、「デジタル ツイン」となる「デジタルのいとこ」を作成することから始まります。 下の図は、このコンセプトがどのように低コストで半導体プロセス開発を改善し、労働力の育成とこのコンセプトの開発に立ちはだかる障壁を提供できるかを示しています。

半宇宙のためのLAM研究コンセプト

モデル化されているプロセスに近いが同一ではない環境を使用することで学べる大きな価値があります。 同氏は、このようなデジタルいとこは、プロセスエンジニアを教育し、実際の物理的な機器を使用した学習コストやリアルタイムの学習評価を削減するための労働力開発ツールとなり得ると述べた。 また、このような仮想環境へのアクセスは、実際の物理機器を使用するよりもはるかに簡単です。

リックは、セミバースは一夜にして作られるものではないと言いました。 仮想ブリックごとに構築する必要があります。 モデルは失敗するので改善する必要があり、このシステム全体が時間の経過とともに学習します。 精度への道は反復であり、最終的にはデジタルのいとこが真のデジタル ツインになります。

NXP は、S32 車載プロセッサに TSMC の組み込み MRAM が搭載されると発表しました。 ラム氏は機械学習ツールを使用して新しいプロセスをより迅速かつ安価に作成し、真の半導体製造セミバースの構築に取り組んでいます。