.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布局，分享了类脑计算的突破性进展，并概述了美国《芯片法案》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))。
布局分析：文献指向何方？
CAS 首席科学家 Jean-Marc Pécourt 博士首先基于 CAS Content Collection™ 中的数据进行了布局分析。通过由 STN™ 提供支持的 CAS IP Finder 进行检索，结果显示过去二十年间共有约 230 万条微电子相关记录。
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同族专利的分布情况。数据包含来自以下来源的期刊和同族专利出版物： CAS Content Collection 涵盖 2004-2024 年期间。*仅包含 1 月至 11 月的数据。
随后，Jean-Marc 深入分析了五年间 120 万条记录的子集，以观察最新趋势。该领域异常高的专利与期刊比例凸显了其与商业化的紧密联系。各国曲线显示，中国在期刊和专利方面呈急剧上升趋势，美国和韩国保持稳定的专利实力，日本自 2013 年左右出现长期下滑，而印度的增长则侧重于期刊。
由 CAS 科学家通过自然语言处理 (NLP) 技术整理的 CAS Trendscape 地图，在整合术语后突显了快速发展的领域：二维材料（过渡金属硫族化合物、MXenes）、钙钛矿光电子/光伏以及广泛的传感器技术。在器件方面，场效应晶体管 (FET) 在专利端加速发展，而期刊端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、蚀刻）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。
为何神经形态计算在当今至关重要
英国曼彻斯特大学名誉教授 Steve Furber 博士将视角从“我们构建什么”转向了“我们如何计算”。当今的人工智能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，这种不匹配正是人工智能面临“能效墙”的根源。他的 SpiNNaker 项目通过一百万个小型 ARM 类核心，以及至关重要的选择性多播架构来解决这一问题，该架构能将单个脉冲转化为数千条目标消息，在不使互连饱和的情况下模拟皮层的扇出效应。其成果包括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使用时的响应式机器人技术。
行业背景进一步强化了这一观点。英特尔的 Loihi 2 架构和 2024 年的 Hala Point 系统（拥有 11.5 亿个“神经元”）展示了拍字节级（peta-ops-scale）的神经形态计算能力，并在某些深度学习工作负载中表现出领先的 TOPS/W 能效，这证明了事件驱动、受大脑启发的执行方式可以补充（在某些领域甚至超越）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。
他在总结时提出了一个务实的观点：融合而非替代。图形处理器和神经形态计算很可能会共同演进，神经形态计算将承担超低延迟、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交汇。
从地图到制造
美国国家标准与技术研究院（NIST）材料基因组计划主任 James Warren 博士将文献信号和计算理念与制造业的现实联系了起来。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，并采用了旨在使公共投资与长期成果保持一致的非典型回报模式（股权/认股权证/许可）。他的核心观点是：为了加快发现的转化，实验室需要自主权、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机器学习相遇。Jim 描述了闭环实验如何生成丰富、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，则能做出在晶圆厂时间尺度上有效的近实时决策。一个令人难忘的轶事是：人工智能直接从高通量衍射流中提取相边界，这让我们得以一窥自主性如何将科学家的工作重心从数据处理转向科学发现。这一信息旨在邀请各界构建测量级自主系统，推动理念跨越从实验室到工厂的鸿沟。
我们的受众关注点
在整个讨论过程中，我们的受众积极提问并分享了他们的想法。以下是他们最感兴趣的领域：
1. 多模态输入。 Steve 解释说，像视觉和听觉联动这样的真正多模态整合，其建模层级高于当今大多数专注于低级大脑回路的神经形态研究。一些神经科学实验和模型确实在探索感官融合，例如对齐听觉和视觉空间地图，或者在大鼠研究中，组合的微弱刺激变得可被感知。然而，神经形态系统通常优先考虑理解基础神经微电路，而非完整的全感官处理。
2. NVIDIA 和 AMAT 的数字孪生。 Jim 不了解 NVIDIA 与 AMAT 合作的细节，但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进行大规模投资。虚拟模型现在涵盖了从工厂级系统到材料和原子的各个层面，从而实现了更好的预测和优化。他将其与 NVIDIA 在药物研究中利用全虚拟化设计循环的工作进行了比较。随着建模能力的提升和数据的增加，数字孪生正成为工程和制造创新的核心。Jean-Marc 补充说，这些工具正在多个尺度上涌现。
3. Spinnaker 与传统高性能计算（HPC）的对比。 Steve 将 Spinnaker 描述为表面上类似 HPC，但本质上截然不同。它使用许多适合高度并行神经建模的小型处理器，这与 HPC 使用的大型、高性能处理器不同。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，即一个脉冲可以到达数千个目标，这是标准 HPC 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，这种策略不适合通用 HPC，但对于神经形态工作负载而言却是理想之选。
4. 美国与中国在半导体和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，而美国的研究布局则兼顾了商业与学术研究。由于半导体具有战略意义，展现出商业相关性的美国项目可能会获得强有力的资金支持。Jim 未涉及具体的政治细节，但表示尽管此前存在担忧，美国国家科学基金会（NSF）和美国国家标准与技术研究院（NIST）的最终预算保持稳定。他承认中国是半导体制造领域主要的长期竞争对手，并强调了美国为保障关键供应链所做的持续努力。
5. 类脑计算中的能源与水资源消耗。 Steve 质疑数据中心为何需要消耗水资源，并指出冷却水完全可以通过热交换器实现循环利用。类脑系统可将人工智能的能源需求及其相关的冷却需求降低多达 1,000 倍。他还提醒道，效率的提升可能会导致总体消耗量的增加（杰文斯悖论），因为成本降低会扩大使用范围。他通过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 并查看相关的 CAS 报告， 微电子前沿：新兴技术、材料与创新。
