- Advertisement -
首頁 首頁Top區塊

首頁Top區塊

- Advertisement -

中國今明兩年將成全球最大半導體設備市場

國際半導體產業協會(SEMI) 22日於年度美國國際半導體展(SEMICON West)公布年中整體OEM半導體設備預測報告(Mid-Year Total Semiconductor Equipment Forecast–OEM Perspective),預估2020年全球原始設備製造商(OEM)之半導體製造設備銷售總額相較2019年的596億美元將增長6%,來到632億美元,2021年營收更將呈現兩位數強勢成長,創下700億美元的歷史紀錄。 這波支出走強由多個半導體產業類別的成長所帶動。晶圓廠設備(含晶圓加工、晶圓廠設施和光罩設備)預計2020年將成長5%,接著受惠於記憶體支出復甦以及先進製程和中國市場的大額投資,2021年將大幅上升13%;而佔晶圓製造設備總銷售約一半的晶圓代工和邏輯製程支出2020年及2021年也將維持個位數穩定增長。DRAM和NAND Flash記憶體2020年支出將超過2019年的水平,這兩個記憶體類別在2021年成長幅度也將分別超越20%。  
0

車用ECU海量成長 ST AutoDevKit加速/簡化設計

汽車電氣化近年發展迅速,包括電動化與自動駕駛、輔助駕駛系統,都將導入更多半導體電子零組件,汽車電子模組與汽車系統變得越來越複雜,汽車ECU安裝量急劇增加,數量可能超過100個,對於汽車製造商、客戶、設計人員來說,開發新電子模組和新ECU的複雜程度大幅提升。ECU身為管理這些系統的「微電腦」,意法半導體積極整合開發工具、環境,希望協助汽車廠商以更快的速度、更經濟的方式,將更安全、更環保、更智慧的汽車導入市場 。 AutoDevKit具有完整的軟硬體支援 在每個ECU和模組內部都有多種技術,意味著在單個模組中整合多個功能,以及多個感測器和致動器;然後,設計人員還要開發軟體,以便收集資料資訊,啟動模組功能,從軟體角度來看,設計人員的另一負擔是軟體複雜程度不斷提升甚至高於飛機,因此,預計新應用開發70%的研發時間/成本都被軟體研發所占用。為此,ST汽車和離散元件產品部大眾市場業務拓展負責人暨公司策略辦公室成員Giovanni Luca Sarica指出,該公司決定推出AutoDevKit汽車專用開發環境平台,協助簡化相關開發工作。 Luca強調,意法半導體的AutoDevKit生態系統導入一個新的高效功能開發工具組提供原型開發,取代傳統的製作方式,並支援標準化和重複設計。概念上,採用類似於搭積木的方法,將預設模組組裝到應用專案中,AutoDevKit為客戶和設計人員開發、組裝新汽車電子模組提供簡化的軟體發展環境,逐步引導設計人員完成新模組的軟體研發,相較於傳統的開發方式,高達數個月的開發工作,在使用AutoDevKit之後,可能在數小時之內就能夠在實際環境開始測試特定應用。 AutoDevKit多樣化的硬體參考設計 在傳統的設計方法中,設計人員先取得新模組的技術規格,然後根據規格選擇所需的元件。在完成這兩個程序後,設計人員下載技術文件,研究如何使用所選的元件,這個過程可能需要幾天甚至幾周的時間。只有這些基本步驟都完成後,才能開始硬體設計。Luca說,AutoDevKit軟體開發環境將逐步引導設計人員將所收到的硬體組裝起來,客戶收到的每種硬體和模組在AutoDevKit軟體開發環境中都有對應的應用程式設計介面API,這意味著客製化的軟體開發變得非常簡單,可以像用黑盒子一樣用每個模組。編寫程式碼時可以使用特定的高階功能,以確保實際測試順利進行,這種新方法大幅減少了創建新應用所需的時間。 意法半導體汽車和離散元件產品部大眾市場業務拓展應用經理Max Vizzini補充,以主動頭燈轉向照明系統為例,透過AutoDevKit,這個應用實際上只需要2~3周的時間就可以開發出來,如果使用傳統方法開發,必須為每種功能都需要開發硬體電路板和專用驅動軟體,這個過程要花費4到6個月的時間。這種開發方法還有一個好處,一旦原型和程式碼都完成了,就可以從原型中匯出一個已在所有元件上進行驗證的軟體。 AutoDevKit的快速原型開發特性有助於簡化車用軟硬體開發 AutoDevKit資料庫為免費軟體環境,讓使用者可以從意法半導體的汽車產品組合中,選擇微控制器和功能板,以設計汽車解決方案原型。Luca說明,從硬體的角度來看,AutoDevKit提供了大量的模組,其中包括功能板和MCU板,這些板子是客戶可以在網上直接訂購,同時會收到在實驗室評估這些產品所需的全部材料,以節省常規研發中產品測試所需之元件研究、電路板開發時間。在選擇完AutoDevKit元件後,軟體將引導使用者連接電路板、產生程式碼,編譯並下載韌體,最後還有原型測試和除錯功能。提供簡單使用的應用程式介面(Application-Program Interface, API),以便連接並控制所支援的每個功能板。 AutoDevKit資料庫外掛程式和硬體開發工具,其中硬體開發套件包括針對汽車應用需求優化的AEK MCU探索板和功能板,以及AEKD系統解決方案展示板。Luca解釋,汽車電子設計師承受著縮短研發週期的壓力,迅速提出切實可行的概念驗證至關重要,AutoDevKit生態系統讓使用者可以集中心力在系統功能,無需開發裝置驅動程式等底層軟體,相較傳統原型開發減少了幾數個月的時間。 AEK探索板用於評估某一特定車用微控制器,功能板則有助於快速實現各種功能,例如,馬達控制、LED照明、電源管理、音訊和通訊連網。評估板和探索板均提供專用的API,其用於控制和連接電路板,這些工具都不需要深入瞭解所用的半導體元件或規格書。AEKD系統解決方案展示器讓使用者可以直接查看預裝系統展示板,以及板子套件和非電子硬體元件。 AutoDevKit整合在SPC5 Studio軟體開發環境內,為這款IDE平台增加了微控制器腳位自動分配,以及將多個功能板連到微控制器的視圖編輯器功能。同樣,AutoDevKit API與SPC5 Studio底層驅動程式整合,提供可在不同微控制器平台之間輕鬆移植的代碼。 AutoDevKit是一款汽車及交通工具專用開發環境,使用該套件可以輕鬆地評估ST的產品,加速客戶開發系統原型,快速打造新的車用解決方案;AutoDevKit可以大幅縮短開發時間,減少原型設計工作量和成本,加速產品上市時間;而其一系列隨插即用的原型設計,也進一步簡化了客戶評估流程;AutoDevKit的彈性化架構,可根據客戶需求客製現有套件。
0

雲端功耗/終端電壓/異質整合挑戰紛起 AI晶片力克可靠度設計難關

AI技術是透過模擬人腦的類神經網路,經過深度學習,取得物件特徵參數,產生模擬人腦的判斷能力。這看似很艱深的AI技術,其實早已進入大眾的日常生活,包括手機語音輸入辨識能力,幾乎達真人辨識水準即是一例。 除了演算法與大數據的演進與支援之外,硬體方面,AI晶片依不同的應用領域,不斷往高效能、高頻寬或低耗電等特性演進(表1),因此晶片硬體效能不斷提升,更是支持AI應用領域不斷進步的必要因素。 AI運用在COVID-19防疫上,其晶片的可靠度與效能是重要關鍵。由於AI雲端運算晶片具有高功耗特點,AI終端運算晶片則有低電壓的特色。然而這些特性不僅會影響AI晶片的效能與壽命,甚至連AI晶片可靠度試驗設計手法、設備等,也面臨極大挑戰。一般而言,有以下三大挑戰。 雲端AI晶片面迎熱消散/平衡之高功耗挑戰 資料中心的雲端AI晶片,肩負人工智慧的深度學習任務,必須提高效能運算,也因此將耗費大量電能,其單一顆晶片耗電量甚至超過200W(瓦),伴隨產生的高熱,將使得晶片老化速度加劇。 因此,一年必須連續工作365天的雲端運算AI晶片,對老化產生的可靠度問題更需審慎評估。 可靠度測試原理必須抽樣(Sampling)一定數量的IC進行實驗來預估母體的生命週期與故障機率。通常抽樣的數量為77顆,當77顆百瓦的晶片一起在一台可靠度系統設備執行1,000小時的可靠度測試時,上萬瓦的功率熱能將會嚴格考驗可靠度測試系統的熱消散與熱平衡能力。 唯有精準的熱消散與熱平衡能力,才能讓每一顆晶片在執行各種不同運算模式時,使晶片都能維持穩定的接面溫度(Junction Temperature, Tj),如此才能夠準確預估IC的生命週期。因此,如何消散與控制高效能雲端AI晶片所產生的熱能,將是IC可靠度實驗設計面臨的挑戰。 多系統電源需求考驗終端AI晶片低電壓設計 終端AI晶片因其應用環境的特殊性,除了運算效能外,還被要求低耗電,例如行動裝置、IoT、無人機、電動車自動駕駛輔助等,皆需仰賴電池供電。 雖然半導體製程不斷進步,相同邏輯閘數下的動態電流越來越省電,但是尺寸微縮的物理特性效應下,電晶體靜態漏電流反而增加,摩爾定律每兩年電晶體面積縮減一半的好處,並無法讓晶片的功耗密度減半,相同面積的晶片將會消耗比以往更大的電流。 故為了降低功耗,除了低工作電壓設計外,多工作電壓與多閘極電壓的設計普遍可見。然而,對於可靠度測試系統而言,動輒10組以上的系統電源需求,將挑戰可靠度設備電源數目的極限。 同時1V或甚至低於1V的主電源(Core Power)低工作電壓,將使得IC餘裕度(Power Margin)越來越小,電路板上的電壓降(Power IR Drop)或者漣波(Power Ripple),將容易造成IC可靠度測試出錯,因此規畫一個終端AI晶片的HTOL可靠度測試環境,從設備選擇、PCB電路板模擬與製作,以及各種細節與設計上的考量,必須大幅嚴謹於一般邏輯IC。 異質整合挑戰:熱消散路徑複雜化 異質整合(Heterogeneous Integration)是AI晶片一項重要的趨勢,為了加快不同晶片間的傳輸頻寬,不同製程的晶片會被整合在一個封裝內,常見如HBM/Sensor/MEMS/Antenna等,經由TSV/RDL/Bump/Interposer等製程手法,讓各個晶片並排或堆疊起來(圖1),這將大幅提升異質晶片間的資料傳遞效率,並使耗電量更低。 圖1 異質整合晶片 但是,越複雜的堆疊架構,將使熱產生與熱消散路徑複雜化,例如較大功耗晶片不一定位在封裝中心位置,各個晶片厚度可能不盡相同,將使得晶片產生的熱消散與熱感測方式不同於傳統封裝,因此如何在可靠度測試時正確量測與監控晶片溫度變得更加複雜。 綜上所述,如何面對熱消散與熱平衡能力、測試系統的電壓極限、以及異質整合的熱消散路徑複雜化,是在執行可靠度設計驗證時,必須克服的挑戰。對此,本文提出以下建議。 液態冷卻系統穩定控制高功耗AI晶片產生熱能 散熱設計功率(Thermal Design Power, TDP)是CPU晶片對主機板「散熱能力」的要求規格,目前桌上型電腦CPU的TDP規格最高在150瓦左右;而電競玩家為了維持CPU長時間高效高頻工作,往往會升級主機板、散熱片、風扇等等配件,使得升級後的系統散熱能力高於TDP要求,讓CPU能長時間高頻工作,而不會發生過熱降頻甚至休眠等問題。 但是伺服器及HPC等雲端AI晶片,當前TDP規格已達200W以上超高發熱功耗。而晶片因封裝結構與材料等因素,已難以使用空氣對流當散熱媒介,將晶片Junction溫度控制在目標值。 尤其可靠度測試要求的目標溫度在125℃,遠高於桌上型電腦的70℃,通常125℃時晶片功耗牆已處於解鎖狀態,故一不小心極可能造成晶片高溫燒毀。因此,當如此高功耗的IC進行高溫可靠度測試時,測試系統必須提供更快速的熱消散能力。 該可靠度驗證實驗室的解法是,利用更高效的液態冷卻控制調節系統(Liquid Cooling System),搭配客製化液態循環測試座(Socket)(圖2),此系統利用液態熱交換速率優於氣態的特性,以及即時監控晶片溫度與調節液態流速等方法,穩定控制超高功耗AI晶片產生的熱能,成功收集可靠度實驗數據。 圖2 液態冷卻系統 測試電路板電源層超前模擬 免去生產組裝後效能不符 AI晶片採用先進製程,超低的工作電壓已來到1V以下。然而,當高電流經過電路板走線時,容易在電路板上產生由低到高的壓降(DC IR Drop)(圖3),IR Drop將壓低原本已超低的工作電壓,容易使得AI晶片因電源電壓餘裕度(Power Voltage Margin)不足而失效。 圖3 IR Drop模擬 此外,當IC Power抽載大電流時,也會產生各種頻率的Simultaneous Switching Noise(SSN)。 而電路板的電源層阻抗(Power Plane...
0

疫情推波AI應用 診斷系統/智慧輔具助醫療照護

2016年圍棋軟體Alpha Go問世後,人工智慧(AI)技術成為熱門話題。直至2020年,人工智慧的技術發展邁向普及,廣泛應用於各領域之外,機器學習(Machine Learning, ML)、深度學習(Deep Learning)、邊緣運算(Edge Computing)的技術都更臻成熟。今年疫情掀起智慧醫療討論風潮,將AI用於藥物研發與病毒研究,同時回顧自2012年AlexNet架構問世後,影像辨識大量運用在診斷及手術輔助場景。另一方面,結合AR的人機介面往智慧輔具方面發展,透過生物感測輔助身障人士擁有更便利的生活。種種醫療照護領域應用需求,搭配台灣AI技術的破壞式創新,使得台廠有望在市場中搶得商機。 AI朝向深度學習/少資料訓練發展 資策會產業情報研究所(MIC)資深產業分析師兼組長韓揚銘說明,MIC統計在2016年Alpha Go出現以後的深度學習框架更新狀況,發現2018年度各框架的更新總次數最高,總共達31次。框架更新的過程中,可觀察到有兩大趨勢,一是很多公司提供深度學習的框架加速AI模型的開發,二則是許多公司討論深度增強式學習框架應用的可能性。市場上的深度學習框架開發仍處於百家爭鳴階段,大廠之間不斷競爭,希望成為未來應用主流。 現階段的人工智慧技術由深度學習主導,朝向改善深度學習、解開AI判讀過程的黑盒子,以及使用少量資料訓練模型的方向發展。其中Meta-Learning只需要搜集少數資料,即可從不同的模型架構來快速獲得學習能力,達到通用的學習效果。影像辨識的模型訓練,也可以使用生成對抗網路(GAN)合成影像資料,再透過生成模型與判別模型相互訓練,達成多樣本訓練的需求。部分醫療影像便是使用GAN技術,用2D影像資料訓練模型,來進行3D影像的判讀。 韓揚銘分析現階段台灣的AI市場,由AI起家的AI產業,以及做出AI產品的科技公司所形成的產業AI,統計共有342家,並擴及13領域。技術分布上,以數據推論為大宗,第二大為電腦視覺(圖1)。成立時間上,以2016年Alpha Go研發前後為分界,2013年AI相關的公司開始大幅增加,又以2017年增加幅度最高。投入的領域方面,2016年以前成立的公司,以製造、跨域整合及商業服務為主,2016年以後,多數公司投入跨域整合、醫療健康、行銷與媒體。 圖1 產業AI與AI產業技術發展 資料來源:MIC,06/2020 為疫情協作 補足AI算力需求 2020年隨新型冠狀病毒(COVID-19)疫情發生,AI技術大量應用在疫苗及藥物的研發工作,其中所需要的大量運算能力,可藉由分散式的協作達成。工研院產科國際所研究經理陳右怡舉例說明,AI進行疫苗研發跟藥物開發需要強大的算力,而為了補足算力,史丹佛大學的實驗室透過網站提供軟體下載,全球各地的志願者下載後,可以設定電腦在閒置的時段內提供算力來解碼病毒,並將結果回傳實驗室,由全球百萬台電腦共同進行,拆解COVID-19的病毒結構,以利藥物研究。 影像辨識助臨床診斷 回顧AI在智慧醫療領域的進程,新冠疫情尚未爆發前,2012年Google發表AlexNet架構,人類在影像辨別上有大幅的技術成長,資策會MIC資深產業分析師吳駿驊表示,自此開始AI相關的論文數量在六年間成長六倍。然而新技術的研發伴隨法規等落地挑戰,由於診療輔助的AI系統來自於大量醫療數據的機器學習成果,上市前達成臨床與效能評估後導入醫院,但是進入實際應用場景後,仍會隨著比對醫師診斷結果、搜集更多使用者數據而不斷的循環更新。換句話說,AI診斷系統上市後仍因為持續的訓練、優化而改變,但是當時的規範無法歸類相關產品,AI系統因而面臨醫療法規認證的挑戰。直到2018年4月FDA採認全球首款AI設備,通過一款近視視網膜的AI影像辨識系統的認證。吳駿驊進一步說明,目前世界各國的規範不同,但是隨著AI的技術持續推進,法規就會逐漸具體化。 就AI醫療發展的現況而言,MIC統計CB Insights在2020年5月挑選百大新創的AI公司中(圖2),醫療領域在去年跟今年都有14家,14家之中又以診斷輔助為大宗,數量跟募資金額皆最高。吳駿驊提及,影像辨識的判讀輔助是最具快速商用機會的應用,來自量測腫瘤、斷層掃描、病理切片、核磁共振、超音波及X光的影像數據,可以協助醫師快速分類並判讀病徵,找到高風險的影像或者避免醫師漏診。 圖2 輔助診斷與藥物開發為市場熱區 資料來源:CB Insights;MIC整理,05/2020 生物感測搭配UI成就智慧輔具 除了AI醫療的臨床應用,非接觸式的人機介面也是AI在醫療照顧領域有成功案例的技術趨勢。當AI結合跨領域知識,便可以造福過往不易接觸科技的族群,如視障/聽障/身障人士,皆可透過生理感測技術,取得智慧輔具而獲得更便利的生活。此外AR應用的加入,則為醫生提供更多手術所需的參考依據。 資策會MIC資深產業分析師林巧珍提及,非接觸的人機介面結合生物感測,能夠開發出更人性化且價格親民的輔具,也能在手術方面輔助醫生判斷病人狀態。例如智慧義肢BrainCo藉由感測腦波跟肌肉訊號,達到控制智慧義肢的目的,並且結合演算法學習使用者的習慣,協助肢障人士做到拿杯子、握手等動作。視障輔具Orcam則是結合手勢辨識、語音與視覺UI的產品,當視障者將Orcam戴在眼睛旁邊,手指向任何物品或文字,裝置即可朗誦內容或提供物品名稱。在購物情境中,裝置會告訴使用者手中的鈔票面額,或者閱讀時為使用者朗讀內容。 人機介面用在智慧輔具之外,結合AR所做的Medivis是手術房的混合實境系統,由兩位醫師號召軟體工程師創業,可應用在手術房與教學情境中。以腦部手術為例,傳統上醫生會先從平面顯示器觀看患者大致的2D器官位置圖片,現在如果改用混合實境的視覺UI介面,能夠把患者的全息影像直接覆蓋、顯示在患者的身體上面,手術醫生可以隔空透過手勢即時與影像互動,即可看到患者的器官全貌,找到精準的下刀位置,大幅降低手術風險。此外,Medivis還能用於醫學院的教學訓練。除了顯示虛擬實境3D影像,Medivis可以容納最多20個學生跟同一個影像互動,降低模擬手術成本的同時提高學生學習成效。 林巧珍認為,目前UI技術由不同單位各自研發,但是接下來將走向合作,形成跨領域產業。整體而言,智慧輔具作為剛性需求,賦能載具將開枝散葉,市場敏感度高的新公司即便沒有大廠的知名度跟資源,還是有機會突圍成為獨角獸公司。加上未來三到五年AR/MR的技術越加活絡,科技設備的控制會跳脫螢幕與滑鼠,直接由視覺、手勢甚至意識操控。 台廠機會在精準醫療 綜觀AI醫療的走向,吳駿驊提出台灣廠商的三大機會。一是在原先以國際大廠為主流的醫療產業中,AI破壞式創新的快速研發形式,使得台灣有機會進入醫療的核心市場。其二是醫療儀器生產多來自大型廠商,而雲端廠商如Google、阿里巴巴皆想競爭智慧醫療的軟體市場,除了面臨多數醫院資料不能上傳雲端的問題,軟硬體產商也都積極尋找合作夥伴,以提供完整的方案。 在產業的競合關係中,ICT業者可以考慮利用新創與醫院的合作優勢,打造國內醫院的智慧解決方案,包括如何收資料、部署AI等,在應用的流程中隨時搜集資料。第三個機會則來自精準醫療的需求。生病往往是飲食不對、沒有運動等生活習慣導致,如果能夠搜集並分析生理數據,便有可能達到疾病預防的效果。而搜集數據所需的感測器,包含穿戴裝置使用的判斷模型皆是台灣的技術強項,因此可以發展相關的消費性電子產品(圖3)。 圖3 健康照護各次領域也快速採用AI技術 資料來源:MIC,05/2020  
0

NVIDIA/佛羅里達大學合作打造教學用AI超級電腦

晶片製造商Nvidia日前宣布與佛羅里達大學(UF)合作,為高等教育打造人工智慧(AI)超級電腦,提供700 petaflop的AI性能,UF可望成為國際上具先進AI教學技術的學校。 圖 Nvidia與UF合作,為高等教育打造AI超級電腦。來源:Nvidia 這個合作計畫案的資金總額為7,000萬美元,其中2,500萬來自NVIDIA,提供的項目包括軟、硬體、訓練與相關服務,另外2,500萬則由NVIDIA共同創辦人暨UF校友Chris Malachowsky提供。UF則耗資2,000萬設立以AI為中心的超級電腦與數據中心,期望成為優良的AI教育大學。 UF同時透過NVIDIA DGX SuperPOD架構,強化其現有使用NVIDIA晶片的超級電腦HiPerGator,預計在2021年初讓這台電腦開始運作。超級電腦將能協助UF的學生學習AI工具,並將所學用以解決海平面上升、人口高齡化、數據安全、客製化藥物、大眾運輸與食品安全等問題,預計在2030年將累積30000名從UF畢業的AI人才。 過去NVIDIA以提供個人電腦的影像晶片,提升遊戲畫面的臨場感聞名,但現在已有許多數據中心採用內建GPU的運算硬體,用以加快AI的執行速度,例如訓練電腦分類影像。
0

應材發表選擇性鎢製程 解決平面微縮瓶頸

美商應用材料(Applied Materials)公司推出新的選擇性鎢(Selective Tungsten) 製程技術,可提供晶片廠商以新的方式構建電晶體觸點,這是連結電晶體與晶片中其他電路非常關鍵的第一層電路。這項選擇性沉積技術能降低影響電晶體性能,導致耗電量增加的接觸電阻。透過這項技術,電晶體的節點微縮與觸點能縮小至5奈米、3奈米甚至更小,並同步提升晶片功率、性能與面積/成本(chip power, performance and area/cost, PPAC),解決邏輯晶圓代工節點中持續進行平面(2D)微縮所面臨的瓶頸。 圖 應用材料公司推選擇性鎢製程。來源:應用材料公司   雖然微影技術的進步可有效縮減電晶體觸點通孔的大小,但使用金屬填滿通孔的傳統作法仍會嚴重影響PPAC。傳統上,電晶體觸點以多層方式形成。首先,接觸通孔是先襯上黏著層和氮化鈦阻障層,接著利用沉積技術產生成核層,最後再使用鎢來填滿剩餘空間,鎢便因其低電阻係數成為接觸金屬的首選。 7奈米製程技術的接觸通孔直徑只有20奈米。襯墊/阻障層與成核層就佔了75%的通孔體積,只剩下25%供鎢使用。細薄的鎢線具有很高的接觸電阻,會嚴重影響PPAC與2D微縮效果。 VLSIresearch董事長暨執行長Dan Hutcheson表示,極紫外光(EUV)的興起使得團隊必須解決一些重大的材料工程挑戰,以持續進行2D微縮。襯墊阻障層就像是這個產業的動脈硬化斑,不斷阻撓晶片中的電子流動,以至於無法達到頂尖的性能。而應用材料公司選擇採用鎢技術,正是達到創新突破的關鍵。 應用材料公司的Endura Volta選擇性鎢化學氣相沉積系統,能讓晶片製造商在電晶體的接觸點通孔內進行鎢的選擇性沉積,以消除線性/阻障層及成核層。整個通孔會充滿低電阻鎢,並解除後續PPAC的瓶頸。 選擇性鎢沉積技術是一項整合材料解決方案,在純淨、超高真空環境中結合多重製程科技,比無塵室本身還要潔淨許多倍。原子層表面處理可應用於晶圓,採用獨特的沉積製程,讓鎢原子在接觸點通孔內選擇性沉積,形成無分層、無縫、無間隙自下而上的完美填充。  全球已有客戶採用全新的 Endura 系統,其他產品組合包括選擇性磊晶 (selective epitaxy)、選擇性沉積 (selective deposition) 以及選擇性移除 (selective removal)。這些選擇性製程能讓晶片製造商運用全新方法製作、形塑並調整材料,以便在 PPAC 持續精進。
0

AWS王定愷:雲端服務引領半導體/5G新機遇

雲端應用隨著網路的發展越來越普及,更持續滲透到許多領域,亞馬遜網路服務(Amazon Web Services, AWS)身為雲端運算服務的先驅,透過雲端技術向個人、企業和政府提供一系列資訊科技基礎架構和應用的服務,如儲存、資料庫、計算、機器學習等。面對產業的發展與競爭,AWS將帶領由下而上的新經濟模式,為產業創造數位轉型的契機。 AWS香港暨台灣總經理王定愷表示,新經濟的發展,產業高峰將提前顯現,使用者經驗會轉變成客戶黏著度,有準備才能把握商機 全球產業逐漸進入新經濟模式,AWS香港暨台灣總經理王定愷表示,傳統經濟下的業務模式,週期固定且反覆,由經驗與產品驅動,引導企業布局與反應,IT部署緩慢,以月或季甚至年為週期;而新經濟「爆紅」、「秒殺」、「事件驅動、需求暴增」下,決策、應變與IT部署作業不及,會導致客戶體驗不佳,營運挑戰大增,假期返鄉售票、光棍節、疫情爆發等事件都會湧入爆量的網路流量,使用者經驗會轉變成客戶黏著度,有準備才能把握商機。 因應新經濟的發展,導入雲端、網路等新工具的應用,是未來幾年企業數位轉型與創新的重點,王定愷指出,2019年全台有近六成的企業進行數位轉型,2021年底,台灣將有47.8%中小企業展開數位轉型,2022年台灣將有超過四成的IT支出投放在數位轉型和創新。台灣的高科技產業也已經投入相關的進化過程,利用雲端進行EDA工作,並透過雲端的儲存空間與運算能力協助將IC電路設計與驗證。 傳統經濟由技術驅動,新經濟由需求驅動,兩者發展模式大異其趣 具體的案例就是台灣的半導體產業兩大巨擘聯發科(MTK)與台積電(TSMC),王定愷強調,以聯發科近期在市場上大有斬獲的7奈米5G解決方案天璣系列設計為例,一顆7奈米晶片從開發到設計完成,至少需要上千台高階運算主機的協助,為滿足複雜的設計運算需求,聯發科將研發設計使用的EDA工具搬上AWS雲端執行,進行大量且反覆的設計驗證工作,從前期電路設計、性能分析到產生晶片電路圖,都能用它來完成,對照其目前在市場上取得的成功,AWS的雲端服務貢獻不言可喻。另外,AWS與台積電更共同開發了稱為虛擬設計環境(Virtual Design Environment, VDE)的應用,允許透過雲端的方式來協作,改善了過往設計與投產前繁複的溝通,加速晶圓量產的效率。 而5G時代來臨,AWS也與不同領域業者攜手發展各式各樣的合作,在網路雲、管、端三大架構下,AWS扮演雲的角色,電信業者在管的部分發揮作用,而端則是像智慧手機這類百花齊放的終端裝置。王定愷說明,因應5G時代興起的邊緣運算(Edge Computing)趨勢,AWS也推出Outposts整櫃式主機,透過多接取邊緣運算(Multi-access Edge Computing, MEC)串聯雲、管、端,Outposts具備與AWS數據中心相同的設計基礎架構,由AWS完全管理、監管和操作,單一管理面板,提供與AWS Region中相同的API工具,可協助業者加速5G邊緣運算服務落地,將端落到台灣。 AWS Outposts整櫃式主機,透過多接取邊緣運算(Multi-access Edge Computing, MEC)串聯雲、管、端  
0

CHIPS聯盟公布AIB 2.0草案 加速Chiplet整合設計

日前CHIPS聯盟在GitHub上發表先進介面匯流排(Advanced Interface Bus, AIB)2.0規範草案。AIB是開源、免付授權費的PHY級標準,可以在同一封裝內連接多個半導體晶片,適用於SoC、FPGA、SerDes Chiplet、高性能ADC/DAC Chiplet、光學網路Chiplet等設計。 圖 CHIPS聯盟在GitHub上發表AIB 2.0規範草案。來源:CHIPS聯盟 CHIPS聯盟主席Zvonimir Bandić表示,AIB 2.0的標準草案延續CHIPS聯盟在簡化硬體設計與降低開發成本方面的努力,隨著科技公司越來越依賴Chiplet來滿足不同裝置所需的新型運算需求與工作負載能力,AIB將使得矽智財與其他Chiplet在單一設備的整合便得更加便利,增進新功能與優化速度。 透過增加每條線的速度以及每個頻寬內的I/O數量,AIB 2.0的邊緣帶寬密度比AIB 1.0高出六倍以上。因此應用AIB 2.0規範,設計人員更容易連接小晶片,協助科技公司結合鑄造廠、製程演進、IP資源等,進而為設計高度整合的半導體元件創造彈性。
0

第四季伺服器生產量仍顯疲弱 伺服器DRAM價格繼續下滑

根據TrendForce旗下半導體研究處調查,第三季ODM手中伺服器半成品(Server Barebone)庫存較預期高,追單效應急踩煞車,造成伺服器代工訂單較第二季衰退,第四季隨著半成品庫存逐漸去化,預期資料中心的伺服器採購動能將回穩,然成長力道遠不及第二季。連帶使得記憶體與相關零組件採購動能要到今年底至明年初才可能重啟,第四季server DRAM在買方庫存仍高的情況下,跌幅擴大至13~18%。 第四季伺服器出貨動能略顯改善 觀察市場需求,企業端伺服器採購力道受新冠肺炎疫情不確定性影響,呈現大幅度下修的趨勢。多數企業對於基礎架構的採購行為由資本支出(CAPEX)轉向營運支出(OPEX),暫緩既有伺服器採購訂單。 儘管ODM廠境外組裝產線(Assembly Site)人力均在六月底恢復,但受企業投資趨於保守的影響,第三季生產訂單與整體出貨將不如預期,季衰退分別為10%與4.9%。展望第四季,隨著半成品庫存逐漸去化,預期資料中心的採購動能將微幅成長,然成長幅度仍不及第二季。 伺服器DRAM第四季跌幅持續擴大 在伺服器DRAM的市況方面,由於這類DRAM是DRAM中獲利空間最好的產品,因此吸引供應商持續投入,導致供給量不停攀升;需求方面自第三季起,買方因生產動能放緩、DRAM庫存量已超過健康水位,以及預期跌價心理使購買意願降低,導致市場出現供過於求狀況。 雖然華為為避免九月中之後的斷鏈危機,近期積極採購伺服器DRAM等各類記憶體,但由於市場仍處於供過於求態勢,加上其他資料中心買方庫存量仍高,因此合約價將持續下探新低,雖然第四季合約價仍在議定當中,然研判走勢,當季32GB均價跌幅恐將擴大至15%,且不排除持續擴大的可能性。有鑑於此,TrendForce預測第四季伺服器DRAM價格季跌幅將由10~15%,擴大至13~18%。  
0

由內而外加密/偵錯解鎖 安全元件完整啟動護資安

為了確保物聯網(IoT)設備的安全,聯網設備需要一系列的晶片安全功能,例如不可改變的設備身分(Immutable Device Identity)、具有信任根的安全啟動、安全金鑰儲存以及和隨機產生配對的高熵數字進行硬體加密/加速等功能。由於曾經發生多起影響物聯網安全的相關案件,立法人員逐漸要求為部分物聯網設備或應用領域訂定最低的安全級別。整合式的安全元件(Secure Element, SE)不僅可以協助解決這些無法避免的問題,還能增加額外效益,例如安全軟體更新和解鎖偵錯安全工具;相比之下,使用外部安全元件較不易擁有這兩項優點。 過去,安全元件是安裝在智慧卡或專用整合電路(IC)上的實體設備,提供主機系統安全服務,例如安全金鑰儲存或主機系統的安全識別。主機系統可經加密連接進行通訊。這種方法的優勢是物料清單(BOM)上的SE可以成為選項之一,在寬鬆的安全要求下可節省應用程式的成本。隨著SE以智慧卡的形式出現,安全設備的識別可以輕鬆地從一台主機轉移到另一台主機,此模式目前受到許多應用案例的青睞。 另一方面,最新IoT設備目前仍無法提供健全的安全功能。據Forbes報導,針對物聯網設備的網路攻擊在2019年增加了300%,僅在2019年上半年,網際網路連接的物聯網設備就遭受到29億次的攻擊。而在檢視未連接到網際網路的智慧家居設備後,實際攻擊的數量雖然比預期減少許多,然而,此類設備易受攻擊的問題已成為負面的新聞議題,而影響了物聯網業界以及設備受波及的製造商。為因應智慧設備漏洞的相關報導,監管機構和消費者權益協會持續遊說制定相關的法律框架,為部分物聯網設備強制訂定安全級別。例如,美國加州最近實施了旨在規範物聯網設備安全性的新法律,且其他州和國家政府單位也紛紛效仿。 由於市場希望所有SE特定系列的設備能夠提供部分或完整的安全功能,大幅減弱在BOM上執行SE所帶來的優勢吸引力。而且BOM上的每一項目都意謂著增加智慧設備的成本,不僅提高SE硬體本身的支出,還包括印刷電路板(PCB)上元件的取放、檢查和測試等花費。而使用整合到主機中的SE則能夠節省相當可觀的開支。除了降低成本和硬體設計的複雜度之外,為因應駭客的攻擊手段而須權衡主機和SE間通訊線路的問題,也可以透過整合安全元件獲得解決。 安全元件內/外部功能解析 內部和外部的安全元件都可提供下列部分或全部的功能: 設備身分識別不可改變 不可改變的設備身分識別包括可用來識別唯一且防篡改的設備身分,不但可用來認證設備,也可成為所代表身分的安全憑證。此功能的特點包括獨特的設備識別、驗證或其他方式,例如透過代碼進行授權。重點是,除非付出的成本遠高於防止駭客入侵所獲得的潛在回報,否則不能任意刪減設備識別安全的功能。 安全金鑰 安全金鑰儲存實質上就是受保護的快閃記憶體區域,不但受SE控制且只能經由SE存取,而這也解決了安全的相關問題。根據Kerckhoffs's原理,最好的加密演算法,只有在密鑰數據不會因受側通道攻擊而被提取的情況下才是安全的。這類的攻擊中,SE提取密鑰數據時,毋須降低加密演算法的防護程度,甚至不會受到蠻力破壞。SE可以確保安全金鑰數據不能透過設備的錯誤偵測介面上提取,甚至需減少安全性設計的應用程式也無法由此取得該數據。 硬體加密加速器 硬體加密加速器不僅可以節省複雜的加密操作時間和功率,並可採取最新對策以防功率差異分析(DPA)等類型的側通道攻擊。與安全金鑰儲存庫共同使用時,給定的安全金鑰可以永遠不離開SE,而會指示SE使用安全金鑰儲存庫中的特定密鑰執行限定的加密操作。數據負載僅在SE和應用程式之間交換,在此操作期間,應用程式看不到也無法提取實際密鑰。 高熵隨機數產生器 祕密的隨機數對於加密演算法和密鑰的產生至關重要,使用於現在許多通訊和安全協定的安全加密上。創建真正隨機數(TRNG)是一個複雜的過程,因為數位演算法先天上就不利於創建真正的隨機數。如果能確認生成的隨機數有任何偏誤,駭客將可利用該弱點來減少獲取密鑰所需的時間和精力。為了突破此一限制,隨機數產生器在執行時可成為具有晶片電路的專用外圍硬體設備,可設計來生成較高熵的隨機數。 安全元件附加功能加速故障排除/安全啟動 整合式的安全元件可以提供下列附加的功能: 安全偵錯工具解鎖 如果設備未鎖好,則任何SoC的偵錯工具埠都將構成一個重大的安全性漏洞。因此,最佳的安全性實踐在產品進入生產線之前,須鎖好或是停用偵錯工具的存取功能。為此,大多數SoC都包含偵錯工具鎖定機制。借助整合的SE可以提供安全的偵錯工具解鎖功能,以便更容易對現場取回的設備進行故障分析行動。此舉對於現場試用和對「友好的客戶」推銷初期產品特別有用,但在往後的階段,希望把從現場退回的設備進行故障分析以提高產品品質。而藉由展示唯一的解鎖權限可用來開啟偵錯工具埠的存取,此權限可利用製造商生成的私鑰,發出可撤銷且唯一的身分識別碼。安全偵錯工具解鎖的主要好處在於設備解鎖時不必刪除設備數據,因而減少了故障排除時間,同時增強了故障根本成因的分析能力。 安全啟動具完整信任根/加載程式 常見的安全啟動作業包括如何將用於驗證程式代碼的公鑰儲存到一次性可編程的儲存器中。由於公鑰不可逆,因此只有符合私鑰簽章的程式代碼才能通過身分驗證並執行。身分驗證步驟通常由某種形式的啟動加載程式執行。 使用整合的SE後,可以根據圖1所示的流程,進一步採取完整的信任鏈步驟。其有效地擁有雙核心體系結構,第一個核心是SE本身,具有自己專用的快閃儲存、ROM、RAM和周邊設備。第二個核心是為物聯網設備設計通用的SoC,提供給所有的快閃儲存和周邊設備,如此才能有功能更強大的應用程式核心。 圖1 具有完整信任根和安全加載程式的安全啟動 安全啟動過程從安全元件開始。啟動從安全不可改變的ROM,同時須執行SE來確認的第一階段啟動加載程式的真偽。在此過程中,第一階段啟動加載程式的更新檢查也要由安全加載程式執行。一旦安全元件完全驗證及可使用後,第二應用程式核心也隨之啟動,並對第二階段啟動加載程式進行身分驗證,根據需要進行安全加載的程式進行更新。在最後階段,第二階段啟動加載程式會檢查、更新,若適用則會驗證應用程式代碼。 防範攻擊的適切作法是遵循嚴謹的對策,僅允許將下列任何可更新部分的韌體升級成新版本: •第一階段啟動加載程式 •第二階段啟動加載程式 •應用程式 此種方式利用避免安裝較舊的韌體來防範已知的漏洞。同時,這也可避免重複簽章解密的程式,而且過程中可啟動加密的韌體更新映射,並使用類似側通道攻擊的功率差異分析法來提取密鑰。 整合SE低成本護物聯網資安 智慧物聯網設備不僅需要先進的安全功能以達到完善的管理,還需要遵守許多地區和垂直市場所要求的法律規範。在駭客與設備製造商間永無止境的軍備競賽中,整合式的安全元件可提供優異的價值和較低的成本來確保設備的安全。相較於專用的外部SE,整合式SE可以節省更多成本。而構建具安全偵錯工具解鎖和完整信任根安全啟動等關鍵功能的前提條件則是,必須由整合式SE提供相關的作業程式。 (本文作者為Silicon Labs系統架構資深工程經理)
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -