文 | 半导体产业纵横

GAAFET，如何推动AI/ML的发展？

如今，半导体无处不在。它们是现代世界的力量——从日常的智能手机、平板电脑、笔记本电脑、智能手表到后台运行 AI 算法的云服务器。随着技术日新月异，制造商竞相将晶体管推向更小、更紧凑、更高效的节点。

起初，很难相信半导体真的可以解决所有这些问题，包括提高 AI 性能。但在本文中，您将探索新一代尖端半导体技术如何实现这一目标。

 寻找紧凑型晶体管及其对 AI/ML 效率的影响

几十年来，戈登·摩尔定律一直指导着半导体的发展。摩尔定律指出，随着时间的推移，技术不断进步，标准电路板上可安装的晶体管尺寸每两年将翻一番，这意味着晶体管将变得越来越小。显然，它存在物理限制。目前，晶体管的尺寸已从 5nm 减小到 3nm、2nm，未来甚至将达到 1.4nm。在这个规模下，硅原子电子的基本物理特性成为一个限制因素。因此，人们发明了新的解决方案来满足这一需求：

环栅 (GAA) 晶体管

这些是更高级、更先进的晶体管结构，晶体管的栅极端子从各个侧面接触通道。这有助于实现连续缩放，也提高了晶体管的性能。

众所周知，经典晶体管是平面晶体管，因为所有关键元件（栅极、源极、漏极和沟道）都位于二维平面上，电流从源极流向漏极，由施加在栅极端子上的电压控制。随着晶体管变得越来越小，漏电流和短沟道效应等问题开始出现。随着时间的推移，工程师发现可以更好地控制这种电流，从而提高功率效率和性能。此后，FinFET 应运而生。FinFET具有从硅基板突出的三维结构。类似于水中的鱼鳍，因此得名。现在，在这个突出物上，栅极端子从所有 3 个侧面包裹沟道，从所有 3 个侧面控制电场，从而使其对沟道具有更多的静电控制。

现在，由于晶体管尺寸不会停止减小，半导体行业正处于甚至 FinFET 也不足以控制更短通道的境地。出现的问题是由于短通道效应和漏电流的结合，最终导致更高的功率下降。

这就是GAAFET发挥作用的地方。为了重新获得对通道的控制，栅极端子必须从更多侧面覆盖通道。因此得名Gate-All-AroundFET。这意味着电场可以从所有侧面进入通道，提供最大程度的场效应和更好的通道控制。

为实现这一目标，GAAFET 具有各种结构——纳米片 FET 和纳米线 FET。

纳米片 FET使用堆叠的“薄片”或“晶圆”作为通道，而不是导线，以实现更好的电流流动。（用于 3nm 及以上）。栅极完全包围这些薄片，提供 360 度电场以控制通道。源极和漏极连接在纳米片的两端，允许电流流过它们。由于薄片的面积比导线更宽，因此电流比纳米线 FET 更大。

纳米线场效应晶体管 (FET)是圆柱形通道，完全被栅极包围，再次提供 360 度电场，以更好地控制通道。纳米片在缩放时可能会失去对泄漏的控制，而纳米线则保持更好的开关行为。

由于纳米线场效应晶体管 (FET) 中的通道非常薄且呈圆柱形，因此它允许栅极的电场完全包围并更有效地控制整个通道，并且由于纳米线的面积比纳米片薄，因此它们比纳米片场效应晶体管 (FET) 更适合极端缩放（亚 2 纳米）。纳米线也比纳米片占用更少的空间，并且可以垂直堆叠以在单位面积上封装更多晶体管。因此，增加了密度并实现了极端小型化。这在设计超密集逻辑电路和存储芯片时非常有用。

台积电、英特尔、三星等公司正在转向使用GAAFET来制造3nm和2nm芯片。三星将其版本称为MBCFET（多桥通道 FET）。MBCFET 是 GAAFET 的变体，其中通道水平放置，就像“带状”。这些也被称为带状 FET。它们可以实现更高的单位面积电流。

 这些晶体管几何结构如何推动人工智能的发展？

人工智能和机器学习技术的发展受到并行处理和迭代循环能力的显著影响。尤其是晶体管的发展在以下方面对增强这些过程发挥了至关重要的作用：

• 更高的密度：这意味着在给定的区域中装入更多的晶体管，这可以显著增加单个芯片上的核心数量或 AI 专用加速器的数量，从而提高性能。
• 更快的速度：考虑晶体管缩小对其性能的影响，随着电子需要行进的距离减少，我们可以实现更高的时钟速度和更快的数据传输。这反过来又会减少训练和推理时间。
• 降低功耗：在相同工作负载下，较小的节点消耗的能量较少，这对于那些需要大量电力的 ML 模型来说至关重要。因此，有助于降低大型数据中心的运营成本。

这些好处不仅仅在于提高计算能力；这些创新还可以解锁以下先进的人工智能应用：

实时语音翻译：语音翻译涉及围绕音频输入和输出工作的大型深度学习模型。它实时处理音素、语法和上下文。这可以通过并行处理实现。这些晶体管几何结构确保可以并行执行更多操作而没有延迟，同时确保几乎即时的翻译。

此外，现代芯片格局已经发生了重大转变，包括专用的 AI 和 ML 模块，例如张量核心和神经处理单元。这些专用模块旨在以无与伦比的效率处理复杂的矩阵运算和卷积，从而缩短语音识别和自然语言处理等任务的处理时间，而这些任务是语音翻译的核心。

此外，更小的晶体管需要更少的电量。这使得在设备（例如智能手机）上运行密集的 AI 工作负载成为可能，而不会过快耗尽电池。实时翻译可以成为一种随时随地的功能，而不仅仅依赖于云服务器。

精确的自动驾驶算法：为了使这些车辆有效运行，它们依赖于来自各种来源（例如 LiDAR、雷达、摄像头和 GPS）的大量数据。挑战在于处理这些海量数据并将它们合并为一个统一的世界视图，这项任务需要相当大的计算带宽。新的晶体管几何结构允许显著加快数据吞吐量和并行处理能力。这反过来又实现了实时传感器融合，这是自动驾驶的关键组成部分。

当来自各种来源的传感器数据组合在一起时，车辆的人工智能系统必须解释这些信息以识别物体、预测其运动并制定安全导航策略。微芯片上晶体管密度的增加使得更复杂的算法能够以最小的延迟执行，从而提高准确性和安全性。

此外，汽车有严格的热和功率限制，尤其是电动汽车。更小、更高效的晶体管有助于降低发热量，主要是因为它们减少了每个晶体管在运行过程中切换（即打开和关闭）所需的能量。这使得人工智能系统能够在汽车环境中广泛采用，而不会导致电池过热或负担过重。

加速科学研究：科学研究领域，尤其是在模拟药物开发的分子相互作用、运行复杂的气候模型或分析大量基因组数据等领域，对大量计算资源有着无尽的需求。随着晶体管的缩小，HPC 系统可以拥有更多的处理核心和更大的片上缓存，从而提高大规模模拟的吞吐量。粒子物理学或天文学等领域依赖于筛选大量数据集，而这又可以通过由小型晶体管组成的高级芯片轻松实现，这些芯片构成了专用的加速器。这些芯片可以更有效地处理大量数据集，从而在更短的时间内计算出模式识别和其他见解。即使是超级计算机也有功率限制。通过在单个芯片上添加更多内核或将更多计算能力集成到相同的功率范围内，材料科学、医学等领域现在可以进行扩展模拟，并以以前无法实现的水平运行 AI 驱动的分析。

无处不在的设备 AI：

从智能手机到生成媒体：移动设备和可穿戴设备的设备 AI：通过将更多晶体管封装到更小的区域，现代芯片可以在智能手机和可穿戴设备上处理复杂的操作，例如面部识别、实时翻译和增强现实。这不仅可以减少延迟，还可以通过最大限度地减少功耗和发热量来帮助节省电池寿命。

医疗诊断和医疗保健：可穿戴健康监测器和复杂的成像系统使用这些相同的更密集、低功耗芯片来现场处理生命体征、心电图数据或 X 射线图像，从而减少对大型服务器的依赖，并实现更快、更准确的患者护理。

机器人和工业应用中的边缘计算：无人机、自主机器人和先进的生产线可以快速融合传感器输入以在本地做出实时决策。这减少了对持续云连接的需求，从而缩短了响应时间并降低了网络成本。

用于媒体和内容创作的生成式人工智能：无论是创建逼真的图像还是生成自然的音频，密集的晶体管布局都有助于大型人工智能模型更快地训练并更高效地运行。这意味着内容创作者（甚至是日常用户）可以在紧凑型设备或较小的服务器上制作高质量的视觉效果或音景，而不必仅仅依赖庞大的数据中心。

 结论

缩小晶体管尺寸的竞赛带来的不仅仅是更小的物理占用空间。无论是在手机、无人机、医院还是创造精美的数字艺术上，每个新节点都使 AI 工作负载能够更快、更节能地运行。随着制造商从 3nm 迈向 2nm 及更远，半导体几何形状的这些进步将继续拓宽 AI 的范围、能力和可持续性，最终彻底改变我们的生活、工作和发展方式。

*声明：本文系原作者创作。文章内容系其个人观点，我方转载仅为分享与讨论，不代表我方赞成或认同，如有异议，请联系后台。