在今年的虚拟设计自动化会议(DAC)上，热门话题之一是摩尔定律终结对制造业的影响。Arm研究小组的研究员Greg Yeric在主题演讲中谈到了这一挑战。

他的重点是从现在到2030年芯片设计和制造面临的巨大障碍。他警告说，该行业的基础技术面临着一些“极端”挑战。基本上，现有的“制造设计”范式将需要迅速适应，以提供一些截然不同的机会来将电子设计自动化(EDA)和半导体产业推进到2030年及以后。

Yeric首先强调了过去55年中取得的令人难以置信的进步，从使我们登上月球的仅有6个晶体管的芯片，到迎来了PC连接互联网曙光的集成了68,000个晶体管的芯片。如今，AWS Graviton2处理器中集成了300亿个晶体管，这使我们得以实现新的数据经济。

他告诫说，这一惊人的进步带来了全球责任。半导体业启用的系统正在使用世界上越来越大的能源输出。许多新的头条新闻证明，Facebook和Google数据中心以及比特币挖矿如何继续吞噬全球大部分电力。从可持续发展的角度来看，随着芯片和电子行业的不断发展，这尤其令人担忧。

持续增长的一个例子来自人们期待已久的5G技术的推广和普及，这将在短短几年内将数据范式从人对机连接转变为机对机。根据Yeric的说法，这种趋势在能源预测中显示为拐点，从消费者设备为主的角度一直到网络和数据中心接管的角度。

图片来源：DAC 2020 Arm Greg Yeric主题演讲

持续推动低功耗芯片和系统可以部分解决可持续性发展问题，主要是为了延长移动设备的电池寿命。但是另一个驱动因素是成本。正如Yeric所指出的那样，工程师们可以继续设计和制造功率更低，速度更快的机器，但是如果没有人负担得起的话，这将毫无用处。这就是问题所在。在较低的芯片几何尺寸下，相对于摩尔定律保持相对轨道所需的工具的购买价格正变得成本过高。例如，当前的EUV芯片晶圆制造系统成本超过1亿美元，并且需要三架Boeing737来运输。较新的High-NA EUV每个平台的造价为2.55亿美元，所需的激光能量要比美国海军用来击落导弹的测试系统还强大。

日益增长的数据经济中使用的机器学习工具是提高可持续性的另一个驱动力。但是正如Yeric所警告的那样，机器学习需要在训练的编程复杂性之间进行权衡。不幸的是，对于当今的半导体硬件，这种训练消耗了大量的能量。Yeric列举了AlphaGo Zero项目的一个常见示例，其中在216兆瓦时的系统训练中需要2500万美元的硬件。如果按当前趋势推算，那么到2030年将需要280 Yata flop天的培训预算。Yeric得出结论，机器学习必须变得更加高效，以提供通往未来的可持续发展之路。

哪些制造选项可以帮助克服我们当前基于光刻的半导体系统所面临的挑战呢?一种可能是分子自组装，分子自组装已在医疗保健中用于使用DNA“折纸”治愈小鼠的癌症。

此外，Yeric解释说，我们目前的半导体方法受到放置触点和导线到晶体管的二维特性的极大限制。这就是为什么分子自组装等对未来充满希望的另一个原因-即使这是一种投机技术。

到2030年，以可持续的方式生产电子产品也将需要新材料和新物理学，如超导，天文学，光子学等。这些新方法看起来与当前的半导体CMOS技术有很大不同，以至于它们将无用武之地。Yeric提醒说，要从现有设计流程中进行基准测试或推断。这将给创新公司投资新的所需制程带来挑战，因为他们不仅需要新技术，还需要新工具和制造技术。

芯片设计和制造中的这些问题是更广泛的主题的一部分，通常被称为实验室到晶圆厂的差距。根据美国GAO关于纳米制造兴起的报告：“美国资金/投资缺口可能会破坏美国创新者将纳米技术从研发过渡到大规模制造的尝试。”

Yeric指出，某些公共部门公司正在研究有趣的技术，以填补一些空白，例如ERI和Imec。尽管如此，向下移动尖端CMOS节点所需的规模和精度仍将大大扩大这一差距。此外，所有不同的新技术都必须向相关机构证明自己。这些现实加在一起将扩大差距。

图：从实验室到晶圆厂

图片来源：DAC 2020 Arm Greg Yeric主题演讲

不过，也有一些好消息。美国政府对在半导体制造领域花钱重新产生了兴趣。尽管国会中有几项法案专用于为常规制造设施提供资金，例如拟议中的亚利桑那州的晶圆厂，但 Yeric认为，该法案的某些措词将使大量资源可用于解决实验室与工厂之间的差距。在美国建立一个国家纳米电子实验室会是一个好主意。

总之，Yeric解释了为什么从现在到2030年这段时间会出现一些新的可行的方法(称为后摩尔定律)，而不是用于电子制造的CMOS选项。但这只有在EDA和半导体制造界(以及政府)共同努力弥合实验室与晶圆厂之间的差距后才能实现。