图片来源：法新社（AFP）自 2000 年以来，半导体制造愈发依赖先进计算技术，尤其是第一性原理计算与机器学习，预计 2025 年量子计算也将加入这一行列。这些被统称为 “计算半导体” 的技术，在整个行业的研发与生产流程中发挥着关键作用。第一性原理计算基于量子力学、电动力学等基础物理学，从原子层面预测材料特性。20 世纪 70-80 年代，该方法成为凝聚态物理与量子化学的标准工具；到了 80-90 年代，IBM、贝尔实验室（Bell Labs）、NEC 等巨头企业开始将其应用于半导体研究实验室。2000 年后，随着相关软件的广泛商业化及计算能力的指数级增长，第一性原理计算逐渐融入半导体研发流程；2010 年代以来，它更是成为晶圆制造工厂不可或缺的技术手段。第一性原理计算助力材料创新与缺陷分析这种计算技术可对半导体材料进行全面分析，涵盖带隙、电子输运、热效应、磁性及光学特性等。通过调控原子种类、键长、对称性与物相，能够实现晶格结构的工程化设计。制造商可通过模拟晶格中的空位、掺杂原子与位错，更深入地理解并控制影响器件可靠性的缺陷。此外，随着半导体器件不断微型化，界面特性对性能的影响已超过体相特性，因此第一性原理计算还可用于模拟不同分子结构间的界面，这一方向正受到越来越多的关注。其关键应用包括：研究氧化铪（HfO₂）、氧化锆（ZrO₂）等高 k 介电材料；通过缺陷建模研究器件可靠性；探索锗、III-V 族化合物以及二硫化钼（MoS₂）、二硒化钨（WSe₂）等二维材料等新型沟道材料。这些计算减少了对高成本试产批次的依赖，加速了下一代半导体技术的研发周期。机器学习推动半导体制造与检测工艺进步与第一性原理计算并行的是，2010 年代中期以来，机器学习在半导体制造领域逐渐崭露头角。尽管学术界较早应用大数据技术，但 2015 年左右，现代卷积神经网络（CNN）才开始用于晶圆图模式识别；随后，扫描电子显微镜（SEM）图像分析与缺陷检测也引入了机器学习算法，以提高检测精度。2017 年起，半导体设备制造商与晶圆厂开始将机器学习应用于缺陷检测、光刻热点识别、整体工艺监控等关键任务。到 2020 年，这些技术已日趋成熟，并进一步拓展至晶圆图缺陷聚类（以优化良率）、掩膜合成、光学邻近校正（OPC）、自动光学检测（AOI）及预测性维护系统等应用场景。凭借分析海量复杂数据集并识别规律的能力，机器学习实现了更智能的工厂运营与更高效的生产线管理。机器学习的融入推动了智能制造系统、虚拟工厂与虚拟晶圆模型的发展。这些进步提升了半导体制造与研发全流程的运营效率，在缩短时间、降低成本的同时，也优化了质量控制。随着量子计算即将在不久的将来为这一计算生态系统提供助力，半导体行业正以计算半导体为支撑，持续快速演进。*原文标题：Column: Modern computational methods transform semiconductor manufacturing landscape*原文媒体：DIGITIMES Asia芯启未来，智创生态湾芯展2025与您相约！
