.avif)
在人工智能 (AI)、机器学习 (ML)、物联网 (IoT)、下一代通信以及新兴量子技术的推动下，微电子技术正以创纪录的速度发展。在本次 ACS/CAS 网络研讨会中，三位专家梳理了研究格局，分享了类脑计算的突破性进展，并概述了美国《芯片与科学法案》(CHIPS Act) 如何促进材料创新。演讲嘉宾包括 Jean-Marc Pécourt (CAS)、Steve Furber (曼彻斯特大学) 和 Jim Warren (美国国家标准与技术研究院 (NIST))。
格局分析：文献指向何方？
CAS 首席科学家 Jean-Marc Pécourt 博士首先基于 CAS 内容合集 (CAS Content Collection™) 中的数据进行了格局分析。通过由 STN™ 提供支持的 CAS IP Finder 进行检索，发现在过去二十年中，微电子领域的相关记录约有 230 万条。
图 1。 微电子领域出版趋势。内嵌的圆环图展示了期刊文章与专利族的分布情况。数据包含来自 CAS 内容合集 中 2004 年至 2024 年期间的期刊和专利族出版物。*仅包含 1 月至 11 月的数据。
随后，Jean-Marc 聚焦于过去五年中 120 万条记录的子集，以观察最新的发展势头。该领域异常高的专利与期刊比率凸显了其向商业化转化的紧密程度。各国曲线显示，中国在期刊和专利方面呈现出强劲的上升趋势；美国和韩国保持着稳定的专利实力；日本自 2013 年左右出现长期下滑；而印度的增长则更多集中在期刊领域。
由 CAS 科学家整理的多个基于自然语言处理 (NLP) 的 CAS Trendscape 地图，通过整合术语突显了快速发展的领域：二维材料（过渡金属硫族化合物、MXenes）、钙钛矿光电/光伏以及各类传感器。在器件方面，场效应晶体管 (FET) 在专利端加速发展，而期刊则显示出忆阻器和摩擦纳米发电机的快速增长。成熟工艺（化学机械平坦化、化学气相沉积、刻蚀）看似“缓慢”，是因为其基数巨大；它们依然是现代晶圆厂的核心。
为何类脑计算至关重要
英国曼彻斯特大学名誉教授 Steve Furber 博士将视角从“我们制造什么”转向了“我们如何计算”。当今的 AI 架构依赖于密集的矩阵运算，而生物大脑皮层则依赖于稀疏的循环信号。他认为，这种不匹配正是 AI 面临“能效墙”的根源。他的 SpiNNaker 项目通过一百万个小型 ARM 类核心，以及关键的选择性多播结构来解决这一问题，该结构将单个脉冲转化为数千条目标消息，在不饱和互连的情况下模拟了皮层的扇出效应。其成果实现了关键大脑模型的生物实时运行、基于脉冲的约束求解（如数独）演示，以及与事件驱动传感器配合时的响应式机器人技术。
行业背景强化了这一观点。英特尔的 Loihi 2 架构和 2024 年的 Hala Point 系统（11.5 亿个“神经元”）展示了拍字节级 (peta-ops) 的类脑计算能力，在某些深度学习工作负载上表现出领先的 TOPS/W 能效，证明了事件驱动的类脑执行可以补充（甚至在某些领域超越）传统加速器。Steve 认为，稀疏性和循环性并非生物学上的奇闻，它们是实现可扩展、可持续智能的蓝图。
他以一种务实的观点结束了演讲，认为未来是融合而非替代：图形处理器 (GPU) 和类脑芯片可能会共同演进，类脑芯片承担超低延迟、低功耗的感知和闭环控制任务，而传统加速器则处理密集的训练阶段，直到两者最终在混合系统中实现交汇。
从蓝图到制造
NIST 材料基因组计划主任 James Warren 博士将文献信号和计算构想与制造现实联系起来。他概述了 CHIPS 研发办公室的广泛机构公告 (BAA)，这是一项针对先进半导体制造、人工智能、量子和标准领域的提案征集，并采用了一种非典型的回报模式（股权/认股权证/许可），旨在将公共投资与长期成果挂钩。他的核心观点是：为了加快发现的价值转化，实验室需要自主性、数据和严谨性。
在这里，材料基因组计划与自动驾驶实验室及物理信息驱动的机器学习相遇。Jim 描述了闭环实验如何生成丰富且可审计的数据集，而受第一性原理（如传输、热力学、电化学）约束的代理模型，能够做出在晶圆厂时间尺度上有用的近实时决策。一个令人印象深刻的轶事是：AI 直接从高通量衍射流中提取相边界，这让我们初步看到了自主性如何将科学家的时间从数据处理中解放出来，投入到发现中。这一信息旨在邀请各界共同构建测量级的自主系统，推动构想跨越从实验室到工厂的鸿沟。
观众关注的焦点
在讨论过程中，观众积极提问并分享了自己的见解。以下是他们最感兴趣的领域：
1. 多模态输入。 Steve 解释说，真正的多模态集成（如视觉与听觉的关联）是在比当前大多数神经形态研究更高的层面上进行建模的，而目前的研究多集中于低级脑回路。一些神经科学实验和模型确实探索了感官融合，例如听觉与视觉空间图谱的对齐，或大鼠实验中多种微弱刺激结合后变得可被感知的情况。然而，神经形态系统通常优先考虑理解基础神经微电路，而非全面的多感官处理。
2. NVIDIA 与 AMAT 的数字孪生。 Jim 虽然不了解 NVIDIA 与 AMAT 合作的具体细节，但他强调了一个更广泛的趋势：在半导体设计和制造领域，对数字孪生的投入正大幅增加。虚拟模型现已涵盖从晶圆厂级系统到材料和原子的各个层面，从而实现更好的预测与优化。他将其比作 NVIDIA 在药物研发中采用的全虚拟化设计循环。随着建模能力的提升和数据量的增长，数字孪生正成为工程与制造创新的核心。Jean-Marc 补充道，这些工具正在多个尺度上不断涌现。
3. Spinnaker 与传统高性能计算 (HPC) 的对比。 Steve 指出，Spinnaker 表面上类似于高性能计算，但本质上截然不同。它使用大量适合高度并行神经建模的小型处理器，这与高性能计算所采用的大型强力处理器不同。其主要区别在于一种定制的通信架构，能够实现高效的多播（即一个脉冲可触达数千个目标），这是标准高性能计算网络无法高效完成的。由于神经网络结构变化缓慢，Spinnaker 可以硬编码路由，这种策略虽不适用于通用高性能计算，但却是神经形态工作负载的理想选择。
4. 中美在半导体与研究产出方面的对比。 Jean-Marc 指出，中国机构产出了大量以商业为导向的专利，而美国的研究格局则融合了商业与学术努力。由于半导体具有战略意义，具有商业相关性的美国项目往往能获得强有力的资金支持。Jim 避开了政治细节，但表示尽管此前有所担忧，美国国家科学基金会 (NSF) 和美国国家标准与技术研究院 (NIST) 的最终预算依然保持稳定。他承认中国是半导体制造领域长期的主要竞争对手，并强调了美国为保障关键供应链所做的持续努力。
5. 神经形态计算中的能源与水资源消耗。 Steve 对数据中心为何消耗水资源提出了质疑，并指出冷却水完全可以通过热交换器实现循环利用。神经形态系统有望将人工智能的能源需求及相关的冷却需求降低多达 1,000 倍。同时他也提醒，效率的提升可能会导致总体消耗增加（杰文斯悖论），因为成本降低会扩大使用范围。他以历史案例说明了这一点，例如全球计算机部署的意外激增。
感谢我们的嘉宾和观众。欲了解更多信息，请观看网络研讨会录像并查阅相关的 CAS 报告，微电子前沿：新兴技术、材料与创新。
