【编者按】
本文选自Semi Vision，深度解析SEMICON Taiwan 2025材料论坛的核心议题，揭示AI驱动下半导体行业正从“晶体管微缩”转向“材料革命”。TSMC、ASE、TOK、GlobalWafers等巨头一致认为，EUV光刻胶、方形硅片、SiC中介层、玻璃基板（TGV）、钼互联等材料创新，已成为突破系统性能、互联效率与热管理瓶颈的关键。文章从前沿材料技术、协同开发生态、可持续发展等多维度，勾勒出一幅材料驱动AI算力未来的全景图，为读者理解下一代半导体技术变革提供深度视角。
湾芯展期间的技术论坛涉及晶圆制造工艺、设备与材料、先进封装、化合物半导体，以及AI芯片和IC设计等技术热点和产业趋势，很多在SEMICON台湾论坛上演讲的厂商和嘉宾也会来湾芯展论坛做主题演讲分享。
Entegris：材料创新与先进封装：AI时代的核心
半导体行业正在经历其历史上最深刻的变革之一。AI已从专业化工作负载转变为计算的核心，推动着全球技术供应链的需求和颠覆。在近期于中国台湾举行的战略材料会议上，反复出现的讯息很明确：虽然晶体管缩放和逻辑进步仍然重要，但AI时代的瓶颈在于其他地方。系统级性能、互连效率和功率管理如今成为成功的关键决定因素。而支撑所有这些领域的一个统一主题是：新材料和材料创新。
AI繁荣及其不平衡的收益
AI的崛起引发了前所未有的资本投资浪潮。超大规模运营商现在每季度在基础设施上花费200亿至250亿美元，这一速度使之前的云和移动周期相形见绌。这项大规模投资对先进AI芯片、高带宽内存（HBM）和尖端封装产生了巨大需求。然而，仔细审视数据，这场AI繁荣的收益分配并不均衡。
自2022年以来，AI半导体在销售额和晶圆需求方面均呈现爆炸性增长。然而，非AI半导体领域尚未回归2022年的峰值。如今，AI约占半导体总收入的30%，但在先进节点上仅消耗4.5%的晶圆开工量。这种不平衡强调了一个重要点：虽然AI正在重塑高端市场的需求，但更广泛的半导体供应链的大部分仍在等待收益向下渗透。
超越缩放：为什么材料比以往更重要
几十年来，行业的性能路线图主要由器件缩放定义。更小的栅极间距、更密集的晶体管和改进的工艺设计带来了大部分性能提升。但在当今环境中，材料创新对器件性能的影响越来越超过简单的缩放或设计调整。
在器件层面，自鳍式场效应晶体管（FinFET）引入以来，栅极间距的缩放明显放缓。性能改进现在来自3D结构，如全环绕栅极（GAA）纳米片和互补FET（CFET）。在未来20年内，我们预计将看到三次主要的晶体管架构转变，而此前45年只有一次。这种快速的节奏凸显了转型的紧迫性和复杂性。
与此同时，互连缩放继续迅猛进行。实现更紧的间距需要新工艺，如原子层沉积（ALD）和区域选择性沉积（ASD），以及全新的互连材料。铜和钨——长期以来的首选金属——在先进节点因电阻率上升而日益面临挑战。在此，钼（Mo）已成为一个有前景的候选者，得益于其在细微尺寸下更低的电阻率和减少的阻挡层需求。通过最小化阻挡层比例，钼为实际导电材料留出更多体积，直接改善电阻和可靠性。
材料创新的三种途径
在会议上，演讲者强调了加速材料创新的三种综合方法。
1.模块级集成
新材料不能孤立考虑；必须在整个工艺模块中评估它们。例如，在化学机械抛光（CMP）中，抛光速率、浆料化学、CMP后清洗和后续蚀刻步骤都是相互依赖的。通过系统研究沉积、CMP、清洗和选择性蚀刻之间的相互作用，工程师可以缩短开发周期并确保材料稳定性。对于钼薄膜，电化学分析和腐蚀控制被用于识别合适的抑制剂和清洗化学物质，确保长期可靠性。
2.数字和AI驱动建模
计算化学、分子建模和AI搜索引擎在材料发现中变得不可或缺。通过模拟反应路径，研究人员可以在进行昂贵实验之前预测选择性沉积行为。一个例子涉及钌前驱体，其中计算了不同成核路径的能量分布。模拟结果与实验数据高度相关，证实了在氮化钛上的沉积选择性，同时抑制在氧化膜上的生长。这种模型驱动筛选显著加速了可行前驱体和抑制剂的发现。
3.虚拟工程和增材制造
材料创新也扩展到硬件设计本身。使用模拟驱动的增材制造，公司可以重新构想组件，如气体过滤器、热交换器和CMP刷。通过应用仿生学——例如，模仿白蚁丘用于气流或种子荚用于过滤——工程师实现了燃料体体积200%的增加和传热效率的显著改善。这些设计使用传统制造方法是不可能的，但通过计算模拟和3D打印变得可行。
先进封装：材料与架构融合之处
虽然器件创新继续，但最大的变化发生在系统级，特别是在封装中。
• 2.5D和3D封装使逻辑和内存能够并排在中介层上，最小化延迟并最大化带宽。
• 混合键合提供超细间距互连，对小芯片架构至关重要。
• 玻璃和金刚石基板正在被探索，以提供更好的导热性和机械稳定性。
• 硅光子学有望通过直接在封装内实现光学数据传输来克服铜互连的限制。
这些创新不是可选的；它们对于支持AI的极端计算和内存需求至关重要。一个现代AI训练集群需要数十太字节的内存带宽并消耗兆瓦级功率。没有先进封装和新型基板，此类系统将不可行。
功率和热障壁
向百亿亿级和十万亿亿级AI迈进的步伐正与两个基本障碍碰撞：功耗和散热。NVIDIA的最新GPU每个已消耗700-1000瓦，未来产品预计每个GPU数千瓦。系统级功耗正从数十兆瓦向数百兆瓦移动——相当于整个发电厂。这对材料、冷却和基础设施创造了巨大挑战：
• 新型热界面材料和金刚石基板正在测试中以改善热扩散。
• 液冷在高密度机架中正从可选变为强制。
• 未来系统可能需要光子互连以减少铜信令的功率和热开销。
换言之，解决热障壁与解决计算障壁同样重要。
AI与半导体增长的经济学
即使AI激增，行业必须保持谨慎。当今大规模超大规模运营商资本支出指向供应链中相对狭窄的部分——AI加速器和HBM。许多其他领域，从消费电子到汽车MCU，仍在努力重获2022年前的势头。更广泛半导体生态系统的挑战是将AI驱动的投资转化为行业范围的收益。这将需要晶圆代工厂、OSAT、设备制造商和材料供应商之间更紧密的协调。
相关阅读
原文媒体：Semi Vision
原文链接：tspasemiconductor.substack.com
芯启未来，智创生态
