Chips automotivos NXP MRAM e o semiverso de Lam

Mar 11, 2023

Wafers de Silício e Microcircuitos

A NXP anunciou uma memória magnética de acesso aleatório (MRAM) integrada desenvolvida em conjunto na tecnologia TSMC 16nm FinFET. Essa MRAM será usada nos processadores automotivos S32 da NXP. A NXP está enfatizando que eles estão fazendo isso para oferecer suporte a atualizações frequentes de software para automóveis inteligentes. Essas atualizações de software permitem que as montadoras implementem novos recursos de conforto, segurança e conveniência por meio de atualizações OTA (over-the-air) para prolongar a vida útil do veículo e aprimorar sua funcionalidade, apelo e lucratividade. A imagem abaixo mostra como o NXP usa os processadores S32 para aprimorar os veículos.

Aplicações para plataforma de processador NXP S32

O MRAM está substituindo o NOR flash, que é frequentemente usado para armazenamento de código em dispositivos embarcados. O flash NOR incorporado possui limites de dimensionamento que apresentam dispositivos com menos de 28 nm. O comunicado de imprensa continua dizendo que "a MRAM pode atualizar 20 MB de código em aproximadamente 3 segundos em comparação com as memórias flash que levam cerca de 1 minuto, minimizando o tempo de inatividade associado às atualizações de software e permitindo que as montadoras eliminem gargalos que surgem de longos tempos de programação do módulo Além disso, a MRAM fornece uma tecnologia altamente confiável para perfis de missão automotiva, oferecendo até um milhão de ciclos de atualização, um nível de resistência 10 vezes maior do que o flash e outras tecnologias de memória emergentes."

A tecnologia MRAM incorporada 16FinFET da TSMC excede os requisitos de aplicações automotivas com sua resistência de um milhão de ciclos, suporte para refluxo de solda e retenção de dados de 20 anos a 150°C. As amostras de veículos de teste estão em avaliação e a disponibilidade do cliente para veículos que usam essa tecnologia deve estar disponível no início de 2025.

Rick Gottscho, EVP e consultor estratégico do CEO e ex-CTO da Lam Research recentemente falou comigo sobre o artigo de Lam na Nature que mostrava como a IA pode ajudar a acelerar a engenharia de processos para semicondutores (também houve um artigo de março do IEEE Spectrum sobre este tópico).

Ele disse que a empresa está desenvolvendo maneiras de acelerar o desenvolvimento do processo de semicondutores em um ambiente virtual, criando gêmeos digitais para tudo o que ocorre no processamento de semicondutores. Particularmente em operações de corrosão e deposição. Tradicionalmente, todos eles foram desenvolvidos usando métodos empíricos. Há muitos ajustes nos processos químicos, principalmente à medida que a complexidade do processo aumenta. Ele disse que existem mais de 100 trilhões de receitas de processos químicos diferentes que podem ser executados em equipamentos Lam. O design tradicional de experimentos para desenvolver os melhores processos é demorado com tantas variáveis ​​e caro em tempo e dinheiro.

Para criar modelagem e otimização efetivas desses processos não é necessário o maior nível de precisão, apenas precisa ser bom o suficiente para permitir um aprendizado rápido a baixo custo. Uma abordagem inicial para conseguir isso é desenvolver um modelo que seja simples, mas não tão simples. Deve permitir avaliar problemas bem próximos do que é feito com suas máquinas e utilizando parâmetros variáveis. Deve incluir não-linearidades importantes e física básica. Ele precisa apenas mostrar tendências na direção certa, não precisão quantitativa.

Para progredir com essa abordagem, eles precisavam que o algoritmo de ML aprendesse com os engenheiros de processo. Os resultados de experimentos projetados por humanos podem ser usados ​​para ajuste aproximado do modelo e, no final, para ajustes adicionais. O objetivo era chegar a 10-25% do alvo multidimensional. Um processo específico que faz amplo uso de equipamentos LAM é fazer orifícios de alta proporção para flash 3D NAND. Os anúncios de flash 3D NAND da Micron e SK hynix requerem uma pilha de mais de 230 camadas e o futuro flash 3D NAND pode ir para 1.000 camadas ou mais. Rick disse que pode custar US$ 1.000 para uma gravação de meio dia para um furo NAND 3D em um ambiente real.

A abordagem Lam usa uma rotina de otimização baysesiana, em vez de um verdadeiro aprendizado profundo. Uma vez que as informações conhecidas anteriores foram incorporadas ao modelo, o algoritmo projetou experimentos com base nesses resultados anteriores. Esses novos experimentos podem envolver, por exemplo, 11 parâmetros. Quando os novos resultados foram obtidos com testes de processo, eles foram realimentados no modelo para criar um novo conjunto de experimentos planejados. Este processo foi iterado para desenvolver um processo otimizado final. O algoritmo usa uma abordagem estatística baseada na distribuição de parâmetros. Os experimentos virtuais podem ser executados 100 vezes para cada conjunto de condições para criar essas estatísticas.