【学研】南大团队发布1nm节点二维半导体晶体管； - 芯片

7 x 24跟踪全球科技动态

热门话题

白天

搜索

资讯

【学研】南大团队发布1nm节点二维半导体晶体管；

2 天前 / 阅读约12分钟

来源：集微网

1.南大团队在国际电子器件大会发布1nm节点二维半导体晶体管；

2.中山大学实验室黄海平教授团队在神经网络的表示学习方面取得重要进展；

3.深研院潘锋团队在发展图论结构电化学与AI相融合应用于尿素电催化机理研究取得进展；

1.南大团队在国际电子器件大会发布1nm节点二维半导体晶体管；

近日，第70届国际电子器件大会（International Electron Devices Meeting，IEDM）在美国旧金山举行，本届会议的主题是“塑造未来的半导体技术”（Shaping Tomorrow's Semiconductor Technology），旨在展示微电子器件领域的最新原创工作。集成电路学院王欣然教授领导的南京大学-苏州实验室-华为海思联合团队在会议上发布了“将二硫化钼晶体管微缩至1纳米节点”（Scaling MoS₂ transistors to 1 nm node）的最新研究成果。

二维半导体是全球学术界和产业界公认最具希望的后摩尔集成电路非硅新材料之一，被国际器件与系统路线图（IRDS）明确为1nm及以下节点的沟道材料。当前，该领域正处于从基础研究向产业应用过渡的关键阶段，为我国集成电路赛道转换和技术超越提供了机遇。集成电路制程“节点”是由晶体管接触栅间距（CGP，包括沟道长度+接触长度+2×栅源间隔长度）定义的，根据IRDS，1nm节点晶体管CGP必须缩小至40nm，超越了硅基CMOS器件尺寸微缩极限。

图1 1nm节点MoS₂晶体管。a. 集成电路晶体管CGP的演变趋势。b-c. 1nm节点MoS₂晶体管的剖面STEM和EDS表征。d-e. 1nm节点MoS₂晶体管的转移曲线和输出曲线，展现优异的电学特性。f.与IRDS 1nm节点晶体管的性能-尺寸对比。

为突破1nm节点晶体管器件，团队在前期二维半导体材料和接触技术重大原理突破的基础上（Nature Nanotech. 16, 1201 (2021), Nature 613, 274 (2023)），从产业需求出发，开发出高纯度半金属欧姆接触外延沉积工艺，突破了极限尺寸下接触电阻记录，在20nm接触长度下实现接触电阻小于100Ω·μm。结合亚20nm超短沟道，在国际上首次成功研制出CGP为40nm的高性能MoS₂场效应晶体管，在0.6 V源漏偏压下具有0.79 mA/μm的高驱动电流，大于10⁷的开关比，小于10 pA/μm的关态电流，62 mV/dec的亚阈值斜率和12mV/V的漏致势垒降低效应。该器件在性能-功耗-尺寸（PPA）关键指标上满足了1nm节点技术要求，充分展示出二维半导体在先进制程集成电路中的技术潜力。进一步的TCAD模型仿真预测，四层堆叠MoS₂ 纳米片晶体管与1nm节点的 Si CMOS 相比，可将栅极延迟减少 46.6%，展示出二维半导体在路线图终点的卓越缩放潜力。该成果与英特尔、台积电、三星等产业巨头的最新成果同台发布，是本届大会二维半导体器件分会中国大陆唯一入选的研究成果（IEEE IEDM, 24.7, 1-4）。

图2 基于多层堆叠环栅晶体管(GAAFET)的TCAD仿真和性能预测

国际电子器件大会

国际电子器件大会（International Electron Devices Meeting, IEDM）始于1955年，是微电子器件领域的顶级会议，在国际半导体技术界享有崇高的学术地位和广泛的影响力，被誉为“微电子器件领域的奥林匹克盛会”。该会议主要报道国际半导体技术和微电子器件方面的最新研究进展，是高校、研发机构和行业领军企业发布其技术突破的重要平台。该会议每年举办一次，是全球半导体行业关注的焦点。

LIMIT团队

低维信息材料与集成电路（Low-dimensional Information Materials and Integrated circuit Technology, LIMIT）团队由国家杰青、长江学者、IEEE Fellow王欣然教授领衔，包括国家青年人才7人。团队持续推进有组织科研，过去10余年围绕二维半导体“材料制备-器件工艺-集成技术”全链条开展关键技术研究，取得了系统性成果：突破二维半导体大面积单晶制备技术；创新发展了界面修复、欧姆接触、介质层集成等一系列关键器件工艺，研制出1nm节点晶体管器件；研制出二维半导体集成电路与类脑计算芯片，开拓了新材料在下一代信息技术中的应用。团队近5年发表Nature正刊2篇，Nature子刊20余篇，授权中美专利10余项。3项成果被写入国际半导体技术路线图，10次入选高被引学者榜单。

2.中山大学实验室黄海平教授团队在神经网络的表示学习方面取得重要进展；

中山大学物理学院、广东省磁电物性分析与器件重点实验室黄海平教师课题组最近利用物理学概念设计了一款机器学习模型，解决了神经网络泛化与鲁棒的长期矛盾。该研究最近发表在《中国科学：物理学、力学和天文学》（DOI：10.1007/s11433-024-2504-8）上。该机器摒弃了不具备生物合理性的反向传播算法，解决了人工智能的关键挑战：泛化性不足和鲁棒性较差的问题。研究运用了物理学类比的概念，将神经网络隐层表示视为粒子。

图1 费米玻色机设计原理

深度神经网络广泛应用于当前的人工智能研究中，包括ChatGPT和生成扩散模型，这在许多科学技术领域产生了引人注目的革命。然而，深度神经网络的泛化性依然存在不足，并且训练方法过度依赖反向传播算法，这与生物系统处理信息的方式相去甚远，也导致网络易受对抗性攻击。微小的、不可察觉的输入扰动就会使得模型错误分类。

与传统神经网络不同，费米-玻色机采用生物学上合理的逐层训练方法，从而避免了全局反向传播。受统计物理学启发，此框架中，数据表示被视为粒子：来自同一类别的粒子相互吸引和凝聚（类似于玻色子），而来自不同类别的粒子相互排斥（类似于费米子）。通过调整关键参数（目标费米子对距离），LCLM 实现了几何分离的潜在空间，从而提高了分类性能并显著增强了鲁棒性。在 MNIST 和 Fashion MNIST等基准数据集上进行的测试证明了该模型无需对抗性训练即可生成稳健、语义上有意义的聚类。此外，该工作利用统计物理学中的复本方法和空腔方法对该模型的信息表示进行统计力学分析，增强神经网络的可解释性。

这项工作对机器学习、神经科学和物理学具有重要意义。它通过将统计物理学与神经网络理论相结合，提供了一种设计稳健且可解释的人工智能系统的原则性方法。通过摒弃全局误差传播，该框架与生物学合理性相一致，并为开发具有更强对抗鲁棒能力的人工智能系统奠定了基础。这项研究为在更深层次的架构、无监督学习任务和其他复杂数据集中探索费米-玻色机开辟了道路。未来的研究可以进一步完善表示几何与泛化性、对抗鲁棒性之间的关系，有助于创建能够更好地模仿人类认知过程、同时具有鲁棒性和可解释性的人工智能系统。

论文第一作者为黄海平课题组的硕士研究生谢明山，中山大学为第一单位。论文工作受到国家自然科学优秀青年基金、广东省磁电物性分析与器件重点实验室的支持。

3.深研院潘锋团队在发展图论结构电化学与AI相融合应用于尿素电催化机理研究取得进展；

电催化是实现可持续能源转化、减碳减排的关键技术。对电催化反应路径的认识是合理设计催化剂的前提，受限于复杂的表面动态效应和庞大的反应网络，这需要发展新的研究范式来实现催化反应路径的高效预测。北京大学深圳研究生院新材料学院潘锋教授团队将数学的图论和结构化学相融合，把材料中的原子当作图论的点，原子间的化学键当作图论的边，创新性地提出一种基于图论的结构化学研究方法(Sci China Chem, 2019, DOI: 10.1007/s11426-019-9502-5）解决了晶体学同构判断的难题，建立了拥有65万晶体结构的大数据系统，并以此发展材料基因组学和AI for Science（AI4S）的研究，将其应用于低维材料的发现（National Science Review, 2022, DOI: 10.1093/nsr/nwac028）和新型固态电解质的设计（J. Am. Chem. Soc. 2024, 146, 27, 18535-18543）。

近日，潘锋团队将该方法进一步扩展用于电化学催化反应研究，发展了图论结构电化学，诠释了电催化尿素合成反应的机理，结合AI发展了基于图表示、图同构和机器学习的主动学习框架，可以实现从包含数百个中间物种反应网络中快速预测最优热力学路径的方法。该方法可以显著减小全局探索反应路径所需的计算量，为高通量设计新型催化剂提供一条新途径。相关研究成果以“Automating discovery of electrochemical urea synthesis reaction paths via active learning and graph theory”为题，发表在中国化学会旗舰期刊CCS Chemistry 2024, 7, 1-14。

涉及多电子转移的电化学反应通常具有一个庞大的反应网络特征，该网络包含了大量基元反应。探索最可能的反应路径是催化机制分析中的核心任务。量子化学方法，如密度泛函理论（DFT），常被用来阐明反应机制。然而，由于化学直觉的局限性和计算需求，这些方法通常仅适用于简单的反应过程，在处理具有非均匀结构或组成的复杂反应网络时会遇到困难。这一问题在二氧化碳电还原为多碳产物和电化学C-N偶联等蓬勃发展且广受关注的领域中尤为重要。为降低计算成本，研究者们已开发了多种AI机器学习算法并取得进展，但其中大多数仅在静态、完整的金属和合金表面以及典型反应上进行了验证。值得注意的是，当前大部分机器学习替代模型中忽略了催化剂表面重构的动态效应。然而，在研究涉及大分子、高覆盖率吸附物和活性表面的电化学反应时，表面动态效应尤为重要。在该情景下，AI机器学习替代模型的核心挑战在于难以准确评估重构表面和吸附物的能量，进而难以实现最优路径的预测。

电催化剂反应网络复杂性及动态重构示意图

潘锋团队引入了一种结合图论和AI主动学习循环的工作流程，以解决复杂表面电催化反应路径预测这一长期存在的挑战。通过图论方法，以尿素电化学催化合成为例，遍历了其催化合成反应中大多数键重排类型及相应的重构模式，通过AI机器学习方法对反应网络中间体稳定性和形成能进行预测，降低了密度泛函理论的计算成本。以在氮掺杂石墨烯作为催化剂为例，该图论结构电化学理论在尿素电催化合成这一反应中得到验证，说明该理论框架的有效性。该反应体系在工作条件下发生显著动态结构重构。整个反应网络包含901个反应物种，利用该框架，只需计算其中的40%就可实现对反应网络能量学的评估并得到过电势。此图论结构电化学框架可以扩展到其他复杂的电化学反应，并在最小程度依赖精确量子化学计算的前提下，促进过电位的快速估算，从而为真实条件下催化机制的自动化计算分析铺平道路。