Nature：二维CMOS芯片开启忆阻器新篇章
近年来，二维材料由于其优越的电子性能和独特的物理特性，在半导体产业中备受关注。如何将二维材料应用于先进的电子器件制造已经成为科研工作者和半导体产业共同探讨的课题。然而，迄今为止的大多数研究仅限于在非功能化SiO2/Si衬底上制备和表征尺寸较大的器件。虽然部分研究已将单层石墨烯整合到硅微芯片中作为大面积互连和大型晶体管的通道，但是其集成密度较低，且尚未实现计算功能。此外，二维材料单层传输过程中的固有缺陷增加了器件变异性，降低了产率。近日，来自沙特阿拉伯阿卜杜拉国王科技大学（KAUST）Mario Lanza教授领导的国际研究团队在Nature上以Hybrid 2D/CMOS microchips for memristive applications为题发表重要进展文章，报道了该研究团队成功制造了一种高集成度的2D/CMOS混合微芯片，可应用于忆阻器（Memristor）领域。这一技术充分利用了二维材料的优越电子性能，为实现新一代高性能电子产品的制造迈出了关键一步。
图1高集成度的2D/CMOS混合微芯片。图源：Nature (2023).随着信息技术的迅速发展，半导体器件不断地朝着更小、更快、更高集成度的方向发展。然而，传统的硅基半导体技术已经逐渐接近物理极限，难以满足未来高性能计算和存储需求。因此，研究者们纷纷将目光投向了具有潜力的二维材料。二维材料具有良好的电子性能和高度可控的晶体结构，为下一代微电子器件提供了丰富的设计空间。然而，将二维材料成功地应用到实际的微电子产品中仍面临诸多挑战，如与现有CMOS技术的集成、器件尺寸的缩小以及可靠性的保障等。针对上述挑战，研究者们采用了一种创新的方法，成功地将多层六方氮化硼（h-BN）薄片转移到含有180nm节点CMOS晶体管的硅微芯片的后端线（BEOL）互连上。具体步骤如下：首先，研究者们通过化学气相沉积（CVD）法制备了高质量的多层h-BN薄片。然后，将h-BN薄片转移到硅微芯片的后端线（BEOL）互连上。这一过程涉及到精确的层间配准和薄片传输技术，要求极高的工艺精度和稳定性。最后，通过光刻和刻蚀等工艺，在h-BN薄片上形成图案化的顶电极和互连线，从而完成整个混合微芯片的制作。在这一过程中，CMOS晶体管起到了关键作用。它们可以有效地控制h-BN忆阻器器的电流，使得器件尺寸缩小至约0.053µm²时，其耐久性仍可达到约500万次循环。这一成果突破了二维材料在微电子领域的应用限制，为未来高性能微电子产品的制造提供了新的可能性。
图22D/CMOS混合微芯片制备过程。图源：Nature (2023).文章指出，这种高性能的2D/CMOS混合微芯片在微电子产品和忆阻器应用领域的整合具有重要意义，将在如下几个方面对二维材料研究产生重要影响。高性能微电子产品首先，2D/CMOS混合微芯片的高集成度和优异性能，为未来高性能微电子产品的制造提供了新的可能，这将有望在计算、通信、人工智能等领域发挥重要作用。随着信息技术和人工智能的飞速发展，对微电子产品性能的需求日益增长。高性能微电子产品的制造一直是半导体产业追求的目标。2D/CMOS混合微芯片作为一种新型技术，在未来高性能微电子产品制造方面具有巨大潜力。计算能力的提升：2D/CMOS混合微芯片在集成度和功耗方面具有明显优势，使得微处理器、图形处理器等核心元器件的计算能力得到显著提升。这将有助于大规模数据处理、高性能计算、云计算等领域的技术突破。存储技术的革新：2D/CMOS混合微芯片在存储器内计算方面具有独特优势，可实现更高效的数据处理和存储。这将为未来的存储技术带来革新，提升存储密度和速度。通信技术的进步：2D/CMOS混合微芯片在低功耗和高速传输方面的优势，将为通信技术的进步提供关键支持。例如，5G、6G等新一代移动通信技术将从中受益，实现更快速、更稳定的数据传输。人工智能与机器学习：2D/CMOS混合微芯片在计算能力和存储技术方面的优势，将为人工智能和机器学习提供有力支持。深度学习、神经网络等先进技术的发展将更加迅速，为人工智能领域带来突破。存内计算存储器内计算（in-memory computing）是一种新兴的计算范式，其目标是解决传统计算架构中计算和存储之间的数据传输瓶颈。通过在存储器内部进行计算，存储器内计算有望实现更高的数据处理速度和能效。降低数据传输延迟和提高能效是存储器内计算的两个重要优势。在传统计算架构中，处理器和存储器之间需要不断地传输数据，这会导致数据传输延迟。存储器内计算通过在存储器内部进行计算，减少了数据传输次数，降低了数据传输延迟。同时，存储器内计算减少了数据在处理器和存储器之间的传输，从而降低了能耗。2D/CMOS混合微芯片由于其低功耗特性，使得存储器内计算的能效得到进一步提升。随着大数据时代的到来，处理海量数据的能力变得越来越重要。存储器内计算可以更高效地处理大规模数据，为大数据分析、数据挖掘等领域提供强大支持。此外，存储器内计算为神经网络、深度学习等新型计算模型提供了一个高效的硬件平台。2D/CMOS混合微芯片在这方面具有巨大潜力，有望推动相关技术的进一步发展。存储器内计算可提高机器学习和人工智能应用的运行速度。2D/CMOS混合微芯片在计算能力和存储技术方面的优势将为机器学习和人工智能领域提供更高效的硬件支持。这意味着，2D/CMOS混合微芯片在存储器内计算方面具有重要的潜力，为未来计算技术的发展打下坚实基础。脉冲神经网络 脉冲神经网络（SNN，Spiking Neural Network）是一种模拟生物神经系统工作原理的人工神经网络。与传统的人工神经网络不同，SNN中的神经元通过脉冲信号进行通信，更接近生物神经元的工作方式。2D/CMOS混合微芯片在SNN发展方面具有重要潜力，包括实现时序依赖性可塑性（STDP）信号、降低能耗、提高计算并行性等。STDP是生物神经系统中的一种学习机制，用于调整神经元之间的连接权重。2D/CMOS混合微芯片能够实现适用于SNN的STDP信号，为SNN的学习和优化提供基础。此外，SNN在模拟生物神经系统时具有较低的能耗，而2D/CMOS混合微芯片的低功耗特性将进一步降低SNN的能耗，使其在移动设备、物联网等低功耗场景中具有优势。SNN具有高度并行的计算能力，能够有效处理大规模数据。2D/CMOS混合微芯片的高集成度和计算能力将有助于实现更高效的SNN并行计算。在线学习是SNN的另一个重要特点，它可以在运行过程中实时调整和优化。2D/CMOS混合微芯片的计算和存储特性将为SNN在线学习提供硬件支持，助力智能硬件和人工智能领域的创新。此外，SNN在计算机视觉、自然语言处理、无人驾驶等领域具有广泛的应用前景，2D/CMOS混合微芯片将为SNN在这些领域的应用提供关键技术支持。
图3基于2D/CMOS混合微芯片实现的脉冲神经网络（SNN）性能图源：Nature (2023).总而言之，这项研究通过将多层六方氮化硼（h-BN）薄片转移到含有180nm节点CMOS晶体管的硅微芯片的后端线（BEOL）互连上，并通过图案化顶电极和互连线完成电路制作，成功地实现了一种高集成度的二维材料与CMOS技术的混合微芯片。这一技术突破了二维材料在微电子领域的应用限制，为未来高性能微电子产品的制造提供了新的可能性。这一成果不仅在存储器内计算、脉冲神经网络（SNN）等领域具有广泛的应用前景，还将推动二维材料在半导体产业的应用，促进半导体产业的创新和发展。未来2D/CMOS混合微芯片的研究需要进一步在工艺稳定性与可控性、耐久性与可靠性、性能优化以及成本与产业化等方面进行深入研究，以推动该技术的实际应用和产业化进程。随着研究的深入，相信二维材料与CMOS混合微芯片将为微电子产业带来革命性的影响。在未来，2D/CMOS混合微芯片将成为存储和计算的新篇章，引领科技创新的新潮流，推动相关领域的技术进步和产业革命。参考文献：Zhu, K., Pazos, S., Aguirre, F. et al. Hybrid 2D/CMOS microchips for memristive applications. Nature (2023).https://doi.org/10.1038/s41586-023-05973-1
页:
[1]