NXP MRAM Automotive Chips und Lams Semiverse

Siliziumwafer und Mikroschaltungen

NXP kündigte die gemeinsam entwickelte Entwicklung eines eingebetteten magnetischen Direktzugriffsspeichers (MRAM) in TSMC 16-nm-FinFET-Technologie an. Dieser MRAM wird in den S32-Automobilprozessoren von NXP verwendet. NXP betont, dass sie dies tun, um häufige Software-Upgrades für intelligente Autos zu unterstützen. Diese Software-Updates ermöglichen es Automobilherstellern, neue Komfort-, Sicherheits- und Komfortfunktionen über Over-the-Air-Updates (OTA) einzuführen, um die Lebensdauer des Fahrzeugs zu verlängern und seine Funktionalität, Attraktivität und Rentabilität zu verbessern. Das Bild unten zeigt, wie NXP die S32-Prozessoren zur Verbesserung von Fahrzeugen nutzt.

Anwendungen für die NXP S32-Prozessorplattform

Das MRAM ersetzt NOR-Flash, das häufig zur Codespeicherung in eingebetteten Geräten verwendet wird. Für eingebetteten NOR-Flash gelten Skalierungsgrenzen, die Geräte mit weniger als etwa 28 nm auszeichnen. In der Pressemitteilung heißt es weiter: „MRAM kann 20 MB Code in etwa 3 Sekunden aktualisieren, im Vergleich zu Flash-Speichern, die etwa 1 Minute dauern, wodurch die mit Software-Updates verbundenen Ausfallzeiten minimiert werden und Automobilhersteller in die Lage versetzt werden, Engpässe zu beseitigen, die durch lange Modulprogrammierzeiten entstehen.“ Darüber hinaus bietet MRAM eine äußerst zuverlässige Technologie für Einsatzprofile im Automobilbereich, indem es bis zu eine Million Aktualisierungszyklen bietet, eine zehnmal höhere Lebensdauer als Flash und andere neue Speichertechnologien.“

Die 16FinFET-Embedded-MRAM-Technologie von TSMC übertrifft die Anforderungen von Automobilanwendungen mit ihrer Lebensdauer von einer Million Zyklen, der Unterstützung für Löt-Reflow und der 20-jährigen Datenerhaltung bei 150 °C. Testfahrzeugmuster werden derzeit evaluiert und die Kundenverfügbarkeit für Fahrzeuge mit dieser Technologie sollte Anfang 2025 verfügbar sein.

Rick Gottscho, EVP und strategischer Berater des CEO und ehemaliger CTO bei Lam Research, sprach kürzlich mit mir über Lams Artikel in Nature, der zeigte, wie KI dazu beitragen kann, die Prozesstechnik für Halbleiter zu beschleunigen (zu diesem Thema gab es im März auch einen IEEE Spectrum-Artikel).

Er sagte, dass das Unternehmen Möglichkeiten entwickelt, die Entwicklung von Halbleiterprozessen in einer virtuellen Umgebung zu beschleunigen und digitale Zwillinge für alles zu erstellen, was in der Halbleiterverarbeitung geschieht. Besonders bei Ätz- und Abscheidungsvorgängen. Traditionell wurden diese alle mithilfe empirischer Methoden entwickelt. Bei chemischen Prozessen gibt es viele Optimierungen, insbesondere wenn die Prozesskomplexität zunimmt. Er sagte, dass es mehr als 100 Billionen verschiedene chemische Prozessrezepte gibt, die auf Lam-Geräten ausgeführt werden können. Die herkömmliche Versuchsplanung zur Entwicklung der besten Prozesse ist aufgrund der vielen Variablen zeitaufwändig und zeit- und kostenintensiv.

Um eine effektive Modellierung und Optimierung dieser Prozesse zu erreichen, ist nicht das höchste Maß an Genauigkeit erforderlich, sie muss lediglich gut genug sein, um schnelles Lernen bei geringen Kosten zu ermöglichen. Ein erster Ansatz, dies zu erreichen, besteht darin, ein Modell zu entwickeln, das einfach, aber nicht zu einfach ist. Es sollte die Bewertung von Problemen ermöglichen, die dem, was mit ihren Maschinen gemacht wird, ziemlich nahe kommen und variable Parameter verwenden. Es sollte wichtige Nichtlinearitäten und grundlegende Physik umfassen. Es muss nur Trends in die richtige Richtung zeigen, nicht die quantitative Genauigkeit.

Um mit einem solchen Ansatz voranzukommen, mussten sie den ML-Algorithmus von Prozessingenieuren lernen lassen. Ergebnisse aus von Menschen gestalteten Experimenten könnten zur groben Abstimmung des Modells und schließlich zur weiteren Abstimmung genutzt werden. Das Ziel bestand darin, innerhalb von 10–25 % des mehrdimensionalen Ziels zu liegen. Ein besonderer Prozess, bei dem LAM-Geräte in großem Umfang zum Einsatz kommen, ist die Herstellung von Löchern mit hohem Seitenverhältnis für 3D-NAND-Flash. Die 3D-NAND-Flash-Ankündigungen von Micron und SK Hynix erfordern einen Stapel von über 230 Schichten und zukünftiger 3D-NAND-Flash könnte 1.000 Schichten oder mehr umfassen. Rick sagte, dass die halbtägige Ätzung eines 3D-NAND-Lochs in einer realen Umgebung 1.000 US-Dollar kosten kann.

Der Lam-Ansatz verwendet eine Bayses'sche Optimierungsroutine anstelle von echtem Deep Learning. Sobald zuvor bekannte Informationen in das Modell integriert wurden, entwarf der Algorithmus Experimente auf der Grundlage dieser vorherigen Ergebnisse. Diese neuen Experimente könnten beispielsweise 11 Parameter umfassen. Wenn mit Prozesstests neue Ergebnisse erzielt wurden, wurden diese in das Modell zurückgeführt, um eine neue Reihe geplanter Experimente zu erstellen. Dieser Prozess wurde wiederholt, um einen endgültigen optimierten Prozess zu entwickeln. Der Algorithmus verwendet einen statistischen Ansatz, der auf der Verteilung von Parametern basiert. Um diese Statistiken zu erstellen, können virtuelle Experimente für jeden Satz von Bedingungen 100 Mal durchgeführt werden.

Die Kombination aus menschlicher Erfahrung und Fachwissen in Kombination mit ML-Algorithmen zur Modellierung und Optimierung solcher Prozesse führte zu engeren Toleranzen und zu weniger als der Hälfte der Kosten und des Zeitaufwands für die Durchführung der gleichen Prozessentwicklung nur mit menschlichen Experten. Die eigentlichen Modellberechnungen erfolgen in der Cloud mithilfe einer modifizierten Version kommerzieller Software, die LAM den Kunden zur Verfügung stellt, um ihre Prozessergebnisse in 3D zu simulieren. Der Code wird um physikbasierte Mechanismen erweitert und auf die Daten kalibriert. Heuristische Eingaben aus Veröffentlichungen werden ebenfalls in den Simulator eingegeben.

Eines der großen Themen bei der physikalischen Analyse der Prozessrezepte ist die Messtechnik. Die Durchführung der Experimente kann weniger als einen Tag dauern, die Messung der Prozessergebnisse kann jedoch länger dauern.

Rick sprach auch darüber, diese Arbeit auf eine andere Ebene zu bringen, um etwas zu schaffen, das er ein Semiversum nannte. Dies würde mit der Schaffung eines „digitalen Cousins“ beginnen, der sich mit mehr Daten zu einem „digitalen Zwilling“ entwickelt. Das Bild unten zeigt, wie dieses Konzept die Entwicklung von Halbleiterprozessen zu geringeren Kosten verbessern und die Personalentwicklung fördern könnte, sowie die Hindernisse, die der Entwicklung dieses Konzepts im Wege stehen.

LAM-Forschungskonzept für das Semiversum

Es gibt einen großen Mehrwert, den man durch die Verwendung von Umgebungen lernen kann, die den modellierten Prozessen nahe kommen, aber nicht mit ihnen identisch sind. Er sagte, dass solche digitalen Cousins ​​ein Tool zur Personalentwicklung sein können, um Prozessingenieure auszubilden und die Kosten für das Lernen mithilfe tatsächlicher physischer Ausrüstung und für die Lernbewertung in Echtzeit zu senken. Außerdem ist der Zugriff auf solche virtuellen Umgebungen viel einfacher als die Nutzung der tatsächlichen physischen Geräte.

Rick sagte, dass ein Semiversum nicht über Nacht entstehen werde. Es muss virtueller Stein für virtuellen Stein gebaut werden. Modelle werden scheitern und müssen verbessert werden, und das gesamte System lernt mit der Zeit dazu. Der Weg zur Präzision ist die Iteration, sodass aus einem digitalen Cousin schließlich ein echter digitaler Zwilling wird!

NXP gab bekannt, dass seine S32-Automobilprozessoren eingebettetes MRAM von TSMC enthalten werden. Lam nutzt maschinelle Lernwerkzeuge, um neue Prozesse schneller und kostengünstiger zu entwickeln, und arbeitet an der Schaffung eines echten Semiversums für die Halbleiterfertigung.