- Advertisement -
首頁 首頁Top區塊

首頁Top區塊

- Advertisement -

AI衍生大量儲存/運算需求 記憶體速度/密度/頻寬再進化

人工智慧(AI)革命不僅僅是工業系統的自然發展,更是資料經濟中為突破瓶頸的必要改變:針對無法儲存並及時處理龐大資料量以產出得以輔佐決策資訊的困境,這是必要的解方,而這一切都源自於大量擷取及收集的工業生產數據。 過去工業系統在進行各層級決策時仰賴專家協助,也相當倚賴資料處理速度與頻寬技術的進步,而未來人工智慧架構內建的平行處理將更著重記憶與儲存之設計與表現,改變幅度之大前所未見。從邊緣到資料中心所採用的感測器及人工智慧系統都為了因應全新需求必須不斷調整改變,而這也將是資料經濟中推動競爭力的關鍵所在。 隨著人工智慧與機器學習技術持續演進,這樣的發展對於解決方案提供者亦形成挑戰,大幅改變其對需求及使用場景的期待。因此,為了因應不斷改變的需求並幫助未來智慧系統的發展,記憶體與儲存硬體的設計必須將人工智慧也納入考量。 本文將探討現今與未來人工智慧的價值及限制。記憶體與儲存系統將如何提升人工智慧效能,以加速新資料經濟的成長,是目前需迫切關注與討論的議題。 AI系統可根據即時資料快速決策 囿於今日資料處理系統的侷限,目前仍有龐大資料未獲AI運用。不過,更多資料量正被以更快的速度、更低的延遲及更高的解析度被擷取下來。相較於以過往的理論與近似法來處理複雜系統,現在已能利用實際資料集來訓練AI與機器學習的演算法。 在AI系統的全新功能下,今日AI已不仰仗一大批經高度訓練的專家耗費漫長的開發時間進行分析,而可透過經驗累積不斷改進的有機學習系統。除此之外,AI系統經設計後可根據即時資料快速做出決策,並在看似毫不相干的龐雜資訊中找到彼此關聯。 針對龐大的資訊量以及各層級對資料處理的需求,在現今資訊多元的社會中,導入具備廣泛功能的AI系統成了唯一可能的解決方案。因此,必須在邊緣裝置部署AI,以便處理並決定資料價值,接著再將預先處理的資訊傳送至雲端,或將原始資料傳送到更大且功能更強的雲端AI做進一步處理與儲存。對邊緣裝置來說,延遲是關鍵考量,而雲端則更倚賴平行運算、大量儲存及處理龐大資料的能力。 相較於過去的資料處理科技,在新的AI使用案例中,記憶體與儲存的影響力更大。資料處理在早期有瓶頸,因此更著重CPU處理量,時至今日,記憶體的速度與頻寬、資料儲存的速度與資料量則成了採用AI及推動更複雜機器學習運算法和智慧型系統的限制因素(圖1)。 圖1 AI/機器學習訓練中記憶體與儲存之重要性。 AI推動記憶體/儲存加速發展 多元且不斷演進的AI應用在許多方面都推動了記憶體與儲存的需求,包括AI訓練階段、邊緣處理、雲端AI執行等。影響記憶體效能的關鍵因素包括頻寬、密度、延遲、功率與成本。每一個AI應用都需在這幾項要素中取得平衡,也會受到使用的記憶體與儲存裝置影響。 AI訓練需具快速讀取吞吐量的大量儲存支援,更快的儲存讀取速度可加速訓練時間,而更龐大的訓練資料集亦可藉由更高的儲存密度被使用,這些要素最終都將影響AI系統的正確性與效用。此外,高頻寬、高密度的記憶體也能改善訓練時間,並在訓練期間採用更大的分析模型,以提升精準運算及AI的正確性。在訓練中採用更龐大的資料集、龐大的資料量、更強的儲存與記憶體密度、吞吐量等,都會直接影響AI處理結果的真實性,以及在細微差異情境中執行決策的能力。 另一方面,針對AI推論的需求,以及AI於資訊/決策過程中的階層,也會影響記憶體與儲存的要求。對於自駕車、通訊、安全和其他邊緣應用等即時應用,功率和延遲相較於頻寬及吞吐量更為重要。電池充電與行動裝置能支援記憶體與儲存的容量與功率都較小,這類應用也和雲端或AI訓練不一樣,對於邊緣的高效能儲存需求也較低。 智慧邊緣應用勢必得在成本與表現上妥協,儘管高成本與效能的記憶體可能無法迎合大眾市場對於AI應用的需求,但雲端AI與關鍵的AI基礎架構可能需要搭配更高效能的記憶體與儲存。 隨著AI逐漸成熟,記憶體與儲存解決方案將有機會優化。這個產業不管是從資料中心、雲端、或是智慧邊緣運算和智慧端點裝置,各領域的AI部署都將會出現轉變。通常在資料中心進行的AI運算會因「資料重力」而轉往資料來源的AI應用,提供不同的記憶體與儲存服務(圖2)。 圖2 不同任務需要不同的記憶體與儲存方案。 先進記憶體架構為AI開創新機會 目前,記憶體架構正出現一場革命性的改變,各種架構將協助未來AI應用的發展。 如DDR4等動態隨機存取記憶體(DRAM)是資料中心與伺服器應用的主力。為了採用更大量的數據,從DDR4轉換至DDR5將為效能及密度帶來前所未見、更大幅度的改變。可以預見未來多數的資料中心將會使用DDR5記憶體,其中有不少將會執行AI與通訊應用。主因是DDR5的效能預計將更勝DDR4。未來DDR5的優勢包括: DDR通道從12道提升到16道,進而提升記憶體晶片密度(從64GB提升至128GB)。 .工作頻率與匯流排效率提升。 .記憶體群組增加。 .更新機制改善。 .有助於在更高階工作模式中表現穩定的輔助功能。 從LPDDR4轉換到LPDDR5的過程也類似DDR5的轉換,目的在提升記憶體頻寬的同時,降低執行時間使用功率,並採用可減少總功耗的功能。DDR5主要使用在資料中心與個人電腦,LPDDR5則著重於邊緣AI應用與行動裝置等對於體積、成本、功率有嚴苛要求的領域。由於LPDDR5卓越的表現及功率優勢,未來可望突破傳統產業與應用,進一步擴大至其他應用範圍。 GDDR記憶體與DDR記憶體的不同在於圖像應用需要更強大的平行運算及更低的延遲,而非記憶體密度。GDDR5出現已近10年,直到現在才輪到GDDR6上場,而GDDR6規格已完備,將成為AI近期主力。標準的GDDR6速度高達16Gb/s,每晶片頻寬達72Gb/s。GDDR5/5X的電壓為1.5V,GDDR6的操作電壓則降低至1.3V。此外,GDDR6同時配有2通道,記憶體大小是GDDR5的兩倍。相較於GDDR5,GDDR6提供表現更強大的解決方案,鎖定需低延遲與高頻寬的AI應用。因此,GDDR6將更可能運用在AI硬體,並整合到要求延遲低但成本彈性較高的關鍵系統中。 高頻寬記憶體(High Bandwidth Memory, HBM)和混合記憶體立方體(Hybrid Memory Cube, HMC)是為了克服2D DRAM技術的記憶體頻寬瓶頸而研發出的3D DRAM 技術。HBM晶片採用堆疊式DRAM晶片,具備額外I/Q連接埠,根據堆疊式晶片的數量同步增加記憶體頻寬。 記憶體頻寬增加後,更接近處理核心(通常是GPU或FPGA),相較於2D記憶體技術能進一步減少整體延遲。與2D DRAM解決方案相比,HBM記憶體的功耗與2D足跡也更小。 最新一代的HBM(HBM2)在記憶體速度、頻寬、密度等表現都更優異。HBM3也大致相同,但其最高記憶體容量則遜於GDDR5/5x/6。此外,由於HBM晶片有獨特的製造過程並額外採用矽,其成本比其他DRAM技術都更高。 需要更多近記憶體頻寬、速度、低延遲以及少量化足跡的AI應用未來可望採用HBM2/HBM3記憶體。這類應用包括複雜的AI訓練及要求極致效能的關鍵推論應用。 人工智慧解決方案過去聚焦於運算能力,如今我們則了解到在人工智慧系統的設計必須同時兼顧記憶體與儲存的面向。針對可能限制未來人工智慧應用的頻寬、延遲、密度、功率、成本等瓶頸,新一代的記憶體與儲存科技將扮演關鍵要角。 (本文作者為美光運算與網路業務部門資源副總暨總經理)
0

滿足AI應用 異質封裝技術將呈三足鼎立

人工智慧(AI)將成為未來十年帶動半導體產業成長的主要動能。然而,要實現AI應用,晶片必須具備更強的運算架構,且還要具備低耗能、低延遲等特性。在製程微縮技術只有少數幾家晶圓代工、IC製造業者可發展的情況下,異質整合(HIDAS)成為IC晶片的創新動能。對此,日月光集團副總經理洪志斌近日在2019 SEMICON Taiwan展前記者會上表示,從系統級封裝角度來看,因應AI、高效能運算(HPC),未來異質整合封裝將會呈現覆晶球閘陣列封裝載板(FCBGA)、扇出型封裝(如FOCoS)及2.5D封裝三強鼎立的趨勢。 洪志斌進一步指出,異質整合下一世代的應用,除了上述所提的AI、HPC之外,還包含5G、物聯網(IoT)等。而越高階的產品對於異質整合的需求就越加強勁,因為需要更強的晶片性能。 日月光集團副總經理洪志斌。 也因此,為滿足市場所需的運算、處理效能,晶片整合技術也持續提升,從以往的FCBGA提升至FOCoS,最後再變成2.5D封裝。而每一種封裝技術的問世,代表著晶片效能更上層樓,而舊有的封裝技術不一定會被取代,像是FCBGA雖然存在已久,但FOCoS、2.5D技術問世後也沒有立即被取代,反而會依不同的應用而有其市場利基。也因此,未來封裝市場上仍會是呈現FCBGA、扇出型封裝和2.5D三足鼎立的情況。 不過,異質整合雖為目前台灣半導體產業熱門議題,且已有晶圓代工廠、封裝業者發布相關方案,但仍有許多挑戰待克服。洪志斌說明,異質整合是將兩種截然不同的元件整合在一起,因此在整合的過程中須考量兩種元件的力學性質(Mechanical Property),像是溫度、散熱、材料以及測試等,皆存在著許多變數,都是需要花時間克服的。
0

工業資安保衛戰 IT/OT各司其職

資訊安全不再只是IT部門的責任,企業應由上而下落實資安防護,發展智慧資安。若能有成熟的資安事件應變能力、資安人才團隊,並結合AI邁向智慧資安,企業將能夠更穩健地推動數位轉型,保護數位資產。 IBM全球安全營運中心副合夥人黃勵孟表示,資安是企業裡每一個人的責任,除了IT部門之外,OT部門也不能置身事外。針對工業資安防護,有三項要點,首先應注意的是資安事件管理平台(Security Information Event Management, SIEM)與威脅獵捕(Threat Hunting)能夠相輔相成;另外,OT和IT的資安防護可以在資安監控中心(SOC)裡融合;並應定期增進SOC的能力。 黃勵孟進一步說明,台灣有非常多智慧財(IP)的廠商,因此資安防護也就更顯重要。資安威脅有80%是已知的,然而未知的20%卻能夠造成80%的傷害。威脅獵捕是歷史數據的分析,廠商可以透過這樣的技術,看出哪些行為是異常的,藉此增進SOC的能力。威脅獵捕讓SOC具備主動出擊的能力,在獵捕後可以進行分析,之後再分享給企業的其他團隊進行反應與處理。但要注意的是,威脅獵捕並不能取代SIEM功能,SIEM是即時的反應回饋,而威脅獵捕則是收集大數據的歷史數據進行分析與追蹤(如圖)。 (圖片來源:IBM) 黃勵孟指出,資安威脅是瞬息萬變的,必須與時俱進。不能依賴單一產品處理資安危機,應有健全的系統,才能防堵惡意威脅。除了IT部門,OT部門也要納入資安防護體系之中。IT和OT部門最大的差異在於其文化,IT通常十分動態,習慣不斷變化的工作環境,OT則相對安定,OT部門的設備年齡可能動輒十年,就算有使用補丁也不會想要大幅度的變動。然而既有的系統未更新、未加密、使用許多第三方廠商的產品等都是資安漏洞可能的藏身之處。 針對OT部門的資安保護黃勵孟說明,Ot和IT的資安管理是不同的,OT部門可能正在使用舊的設備與協定,須要關注的是設備的輸出,有輸出的地方就會有漏洞,因此就須要進行檢測。OT部門應注重資產的發現(Asset Discovery)、協定的識別/違反(Protocol Identification/Violation)和參數的分析/偏差(Parameter Profiling/Deviation)。資訊安全管理是一條漫長的路,因此必須擬定一個長期的計畫,釐清手上擁有的資源並善加利用。
0

中美貿易戰衝擊 2019年底晶圓代工景氣蒙陰影

根據TrendForce旗下拓墣產業研究院統計,時序進入傳統電子產業旺季,市場對半導體元件需求會較上半年增加,預估第三季全球晶圓代工總產值將較第二季成長13%。市占率排名前三名分別為台積電(TSMC) 50.5%、三星(Samsung) 18.5%與格羅方德(GlobalFoundries) 8%。然而,受到中美貿易戰持續延燒影響,消費者市場需求低於2018年同期,因此下半年半導體產業的反彈力道恐不若預期強勁。 觀察主要業者第三季表現,全球市占率排名第一的台積電在7奈米囊括主要客群,包含蘋果(Apple)、海思(Hisilicon)、高通(Qualcomm)、超微(AMD)等,7奈米製程產能利用率已近滿載,加上部分成熟製程的需求逐漸回溫下,預估整體合併營收表現不俗,第三季營收將較去年同期成長約7%;Samsung在晶圓代工方面憑藉自家產品需求,及細分代工奈米製程以提供客戶在選擇上的彈性力抗產業跌勢。目前市面上除了華為與Samsung部分的5G手機使用自行研發的晶片外,其餘品牌大多採用Samsung 10奈米製程量產的Qualcomm 5G Modem晶片X50,因而帶動Samsung第三季營收較去年同期成長約3.3%。 GlobalFoundries近期透過出售廠房與晶片業務,以換取出售對象的穩定投片,同時藉著RF SOI技術增加來自通訊領域的營收。不過,未來交割廠房後可能使營收減少,加上AMD積極佈局7奈米產品線,恐將影響GlobalFoundries在12/14奈米製程的營收表現;聯電第二季受惠通訊類產品,包括低、中階手機AP,開關元件與路由器相關晶片等需求挹注,產能利用率提升與出貨量穩定增加,第三季可望維持營收成長。 中芯國際第二季受惠智慧手機、物聯網及相關應用帶動需求,其55/65與40/45奈米製程營收表現出色,加上28奈米需求同樣復甦中,第三季營收將可望持續成長。另外,中芯國際開發中的14奈米製程良率若能維持一定水準,在政策輔導與內需市場加持下,預估海思與紫光展銳將有機會在中芯國際14奈米製程投片。 而華虹半導體受惠功率與電源管理元件等內需市場助益,預估第三季營收將維持穩定成長。世界先進因電源管理產品營收表現亮眼,帶動7月營收來到2019年高點,此需求將持續挹注第三季營收,可望減緩驅動IC轉投12吋趨勢的衝擊。 拓墣產業研究院指出,以整體晶圓代工市場來看,受到近期美中貿易戰變化劇烈影響,雙方在關稅上互相牽制,加上美國持續增加華為相關企業納入實體清單,華為禁令在短時間內恐無法解除。而美中貿易的僵局持續影響終端產品包括手機、筆電、平板電腦、電視等全年的市場需求,導致上游的晶圓代工廠商,對下半年旺季需求表現看法仍趨向保守。  
0

HiWire AEC產品/標準雙管齊下 Credo推動400G不遺餘力

為加快400G部署,默升科技(Credo)日前發布HiWire主動式乙太網路纜線(Active Electrical Cables, AEC),並已進入量產階段;而為了推動AEC普及率,Credo也宣布成立HiWire Consortium聯盟,致力於新型主動式乙太網路纜線(AEC)的標準化與認證。 隨著人工智慧(AI)、機器學習(ML)和影片工作負載的不斷擴展,資料中心的頻寬需求引發部署400G的緊迫性。為滿足此需求,Credo積極加速HiWire AEC系列產品的研發與生產。 Credo執行長Bill Brennan表示,HiWire AEC為計畫部署400G的業者提供了新選擇,其具備主動光纜(AOC)的優點,但成本、功耗更低。特色包括高速率、高訊號完整性(低BER)、高性能(低功耗)、高品質/可靠度、高工作溫度、高彈性等。且還可以隨插即用,並提供系統級、線纜內速度轉換方案,實現50G PAM4交換機埠與廣泛使用的25G NRZ伺服器無縫連接。 Credo執行長Bill Brennan指出HiWire Consortium聯盟提供的框架可為400G及未來更高速頻寬發展提供強勁的可互通性解決方案。 Brennan進一步說明,此一AEC連接解決方案正廣泛地部署在雲端、服務提供商和企業網路中。HiWire AEC讓系統供應商在尋找資本支出和營運成本之平衡解決方案的同時,亦能更快速地邁入400G。目前該產品已在12.8TB交換機上使用,並實現CLOS資本支出降低50%、功耗降低40%及光埠數量降低75%等目標。 另一方面,Credo也成立HiWire Consortium聯盟,致力於建立和持續開發AEC標準。該標準定義了眾多業界多源協議(Multi-source Agreements, MSAs)的具體建置方法和正式認證過程,將為超大規模資料中心、電信和企業市場提供多源且可靠的隨插即用AEC生態系統。 Brennan指出,HiWire Consortium的目標在於引領業界推出隨插即用的AEC、依據現有標準制定HiWire AEC規範、核准認證測試規範等。目前聯盟成員已包括智邦科技、台達電、英特爾(Intel)、廣達集團、是德科技(Keysight)、Innovium、Juniper Networks等,未來還會尋求更多合作夥伴和晶片業者加入,集結各方資源進而實現可靠電纜解決方案。
0

啟用局部對準測量 電子束校正更精準/簡易

光罩製造商正面臨重大的光罩量測挑戰,亟需那些不僅具有成本效益也能提供更為嚴格的對準規格和圖案對準認證的解決方案。 電子束光罩曝光機的局部對準誤差可能對光罩至晶圓的疊對誤差產生關鍵影響,這是因為該誤差非常局部並且在標準的質量控制方案和採樣條件下難以將其發現。當然,光罩誤差特徵依賴於寫入策略;但也可能由殘餘的偏移器對準問題而引起,並導致了晶圓上非常局部但可能是不可校正的關鍵微影疊對誤差。由於氟化氬浸沒(ArFi)光罩和EUV光罩所採用的電子束曝光機策略之間並無顯著差異,我們預期這兩種光罩類型具有相似的誤差特徵。 標準光罩對準策略所採用的資料採樣的區域密度不足以揭示這種局部對準(LReg)誤差,因為其所需的測量數量會對週期時間產生影響,並且導致產量降低和造成光罩對準機台的成本效益過低。因此,為了驗證電子束曝光機導入的實際局部誤差和偏移器的對準性能,如今的電子束曝光機控制方案依賴於那些每週或以更長時間間隔製造的特殊測試光罩。 通常觀察到的LReg誤差特徵需要一個幾十微米的感興趣區域,並且光罩圖案特徵表現為該局部感興趣區域的橫向偏移增加,LMS IPRO7採用新的方法,允許在合理的產量下提供關鍵的採樣密度,從而針對每個關鍵產品光罩實現電子束曝光機的實際性能測試。 採用順序測量確定光罩曝光特徵 LMS IPRO7平台採用順序測量的方法,可以提供高精度和可重複的標準光罩量測應用。該方法通過後續的平台移動、圖像採集和圖像處理獲取光罩上整個有效區域的網格資料點。 對光罩量測系統的產量進行量化的標準度量是其移動、獲取和測量(MAM)的時間,對於每個網格測量點這個時間通常是幾秒鐘。為了確定產品光罩圖案的電子束光罩曝光機特徵,因其所需的採樣密度和視場尺寸所對應的MAM數量級,將導致總測量時間為數天。 LReg測量採用了一種新穎的方法,其圖像採集不是完全按照順序,而是利用量測系統的整個視場同時確定幾個點的位置。因此,對於光罩上100μm長度和寬度的感興趣區域(ROI)的典型LReg測量時間可以減至不足一個小時。在該感興趣區域內,可以針對密集圖案中臨界尺寸(CD)低於200nm的單個特徵進行高精度測量;如果推算至單點MAM這相當於週期時間減少104倍。因此,LReg使得商業光罩的實際認證成為可行。 電子束曝光機引起的LReg誤差可能源於各種原因,因此採用了量測機台的網格校準方法以確認所觀察到的誤差特徵不是由局部對準測量自身引起的偽像。為了證明無旋轉變化,對光罩上相同的感興趣區域以標準光罩方向(0。)和90。旋轉方向進行測量。 結果證實了所觀察到的LReg誤差特徵相對於光罩坐標系沒有變化。為了測試LReg測量方法無平移變化,對感興趣區域以小於視場內特徵週期的距離進行移動並比較誤差特徵。此外,對相同的感興趣區域還以不同的採樣密度進行LReg測量,以排除採樣策略對LReg誤差特徵的影響。 通過LReg測量對不同光罩進行研究,其中包含兩個向量式電子束曝光機供應商提供的量產製造(HVM)--質量測試光罩。對HVM標準的ArFi光罩以及領先EUV測試光罩進行了研究。在LReg測量中,感興趣區域的最大長度和高度為100μm,並定義於光罩布局的密集元件圖案之上。 LMS IPRO可以進行x-方向和y-方向上週期長度<300nm的採樣。因為結果包含了幾千個測量點中的每個點x軸和y軸的LReg誤差分量,也因此,LReg結果的訊息密度很高。 局部量測助力電子曝光校正 為了將測試結果的LReg誤差的橫向分布可視化,簡單起見,本文採用兩個熱圖分別顯示一個LReg資料集的x分量和y分量。LReg誤差是每個測量位置與其對應的設計坐標之間的偏差。圖1顯示了150nm CD密集導線陣列的ArFi測試光罩上LReg測量的可視結果。x偏差的橫向分布在圖1a中顯示為熱圖,y偏差的橫向分布如圖1b所示並採用了相同的比例。在圖1a中可以觀察到週期長度為10μm的網格狀的系統性LReg誤差特徵。LReg誤差的y分量表現為與x軸相平行的分割線。兩個誤差分量的幅度均大於4nm。 圖1 在ArFi-HVM測試光罩A上,對150nm CD密集導線圖案上的面積為100μm乘100μm的感興趣區域進行測量。LReg誤差的x分量如圖1a所示,測試光罩採用標準方向(0O)。在圖1b中,顯示了同一測量中LReg誤差的y分量。 該LReg資料集總計測量了32,231個點。 本研究測試的一個主要目的是識別電子束曝光機本身所產生的特徵。因此,必須確認在LReg結果中觀察到的特徵不是由LReg測量方法本身造成的。圖2顯示了在光罩的相同ROI上兩個不同光罩方向的LReg測量結果。結果顯示使用了實際的光罩坐標系。因此,與LMS IPRO測量機台相關的任何誤差,例如由光學元件或橫向平移台引起的誤差,將在圖1a中相對於圖2b旋轉90。 圖2 在EUV測試光罩上,對200nm CD密集導線圖案上的面積為100μm乘100μm的感興趣區域進行測量。圖2a中顯示的LReg誤差的x分量,是測試光罩採用標準方向(0O)的結果,而在圖2b中顯示光罩圍繞z軸旋轉90O的測量結果。圖2b中的資料已經過反向旋轉,因此圖2a和圖2b中的x軸和y軸分別相互對應。該LReg資料集總計測量了4,875個點。 LReg誤差的幅度以任意單位縮放,但是圖2a和2b採用了相同的顏色代碼縮放。x偏差的橫向分布在圖2a中顯示為熱圖,可以觀察到平行於y軸的等距線的特徵(圖2)。對於x偏差這些線的周期長度約為9μm,而對於y偏差這些線的周期長度約為27μm(未顯示)。兩者的局部橫向偏移的幅度均大於4nm。圖2中顯示的兩個圖像在測試光罩的坐標系中表現出非常相似的LReg誤差特徵,因而可以確認無旋轉變化。 為了驗證LReg測量方法是否無平移無變化,採用ArFi光罩在200nm CD密集導線圖案上通過將兩個軸的ROI向正方向移動1.6μm進行測試。x偏差的結果如圖2所示,其中1.6μm的偏移相當於一個像素。圖3a中顯示出8μm週期長度的總體LReg特徵在圖3b中向原點中心偏移了一個像素,這確認了當ROI偏移時LReg特徵相對於光罩的設計坐標系保持不變,y偏差的數量級相同並且具有相似的周期長度。 圖3  b)中的感興趣區域相對於a)向正x軸位移1.6μm,並且向正y軸移位1.6μm,這相當於一個像素。a)和b)測量均使用測試光罩E並以相同的分辨率和光罩標準方向進行。 該LReg資料集總計測量3,969個點。 為了確認採樣策略不會在LReg特徵結果中產生偽影,採用EUV測試光罩以不同的採樣率相同的ROI進行了相同方向的量。LReg特徵的x偏差如圖4所示。儘管圖4b中的特徵由於採樣率降低而非常模糊,但可以確認整個週期長度為9μm和幅度大於4nm,這與圖4a是一致的。 圖4 採用EUV測試光罩C的LReg測量X分量。對相同的感興趣區域的兩次後續測量中,b)的採樣率低於a)。在a)和b)中都觀察到平行於y軸的LReg特徵線。 b)的採樣率沿x軸相對於a)減小1.5倍。在該LReg資料集中,a)總計測量4,875個點並且b)總計測量3,225個點。 表1概括了不同測試的結果。並不是所有的不同測試光罩的LReg結果資料都顯示在表中。在分析中,採用了EUV光罩和ArFi光罩,並使用兩個主要供應商不同世代的向量式電子束曝光機對其寫入。可以說,對於所有測試光罩,至少有一個誤差分量,即x軸或y軸,都顯示出週期性特徵。對於所有的LReg特徵,橫向移位的幅度都超過4nm。所觀察到的LReg特徵(光罩域)被縮放到晶圓級別(晶片域),以顯示LReg特徵對晶圓圖案疊對誤差產生的實際影響。即使對於領先的10nm節點光罩,晶圓疊對的影響也超過1nm。 圖2、圖3和圖4中顯示的結果都支持這樣的假設,結果中的系統橫向偏移實際上是向量式電子束曝光機引起的LReg特徵。透過證明誤差特徵無平移變化,無旋轉變化,並獨立於採樣率,可以排除可能與LMS IPRO測量方法本身相關的誤差特徵偽影。 ArFi光罩B(表1)的周期長度是42μm,並且可能與電子束曝光機的子偏移器視場設置有關。測試光罩A、B和C採用領先電子束曝光機寫入,而在這些光罩上所觀察到的誤差幅度都高於領先HVM光罩的疊對臨界值。 相比A、B和C,測試光罩E採用同一製造商的更早世代電子束光罩曝光機製造,因此LReg誤差的幅度甚至更大。光罩D採用另一供應商的向量式電子束曝光機製造,因此對於兩個主要供應商都觀察到顯著的LReg誤差。 EUV測試光罩C顯示出與ArFi測試光罩A和B類似的LReg誤差特徵。這正如預期,因為EUV微影的電子束寫入策略沒有重大差異。根據LReg誤差的周期性和觀察到的周期長度,可得出通過電子束曝光機校正來解決LReg誤差的結論。由於LMS IPRO是一種高精度的對準機台,因此可以從所呈現的LReg資料集中推導出必要的校正參數。所有資料均採用單次測量,每次測量持續不到一小時,考慮到測得的週期長度可以允許將ROI縮減,因此可以在15分鐘內對產品光罩做出表徵(ROI相對於特徵)。 為了評估LReg特徵(光罩域)測量對於不可校正的晶圓圖案疊對誤差產生的影響,在表1中的晶圓域一項下列出了計算數值。對於ArFi和EUV,為了對應於曝光機的縮小倍數4,週期長度和幅度均除以因子4。晶圓疊對的計算是基於兩個光刻層使用具有相同LReg誤差的光罩這樣的假設。因此,對於平均晶圓圖案疊對誤差,幅度乘以2並除以2的平方根。這也意味著局部誤差的極大值甚至可能更大,例如,對於14nm節點,它大於1.5nm。本文中提供的方法是一個能夠在不到15分鐘內對任何產品光罩上進行系統LReg誤差表徵的程序。 圖5顯示採用LReg測量的前饋例程的提議方案。其中,除了產品光罩的標準規格,即圖案的精度和準確度之外,還加入執行LReg測量。如文中所顯示的結果,該LReg測試僅僅會增加15分鐘的總光罩認證時間。根據LReg的結果,可以實施電子束曝光機校正和校準的改進,這將提升圖案疊對。 圖5 光罩車間在發貨之前適用於產品光罩的加強型質量控制(QC)的建議流程。100x100μm2的LReg測試區域可以位於適當的元件圖案上,也可以位於產品光罩功能圖案之外的相鄰測試圖案上。 本文針對ArFi和EUV微影技術展示了在領先光罩上進行的準確並有成本效益的LReg誤差特徵測量。其中測得的誤差幅度高於領先HVM光罩的疊對臨界值。高採樣率允許在密集周期性圖案上對LReg誤差進行測量,並且大ROI允許對相應的電子束曝光機校正進行推導,這可以顯著改善後續微影步驟的層間圖案疊對。 (本文作者皆任職於KLA)
0

節能省時又安全 V2X/IoT落實智慧交通應用

隨著世界人口與車輛越來越多,交通問題已經不容忽視。有賴資通訊技術與科技發展,智慧交通有望解決眼前日益湧現的交通問題,同時為解決相關問題,交通創新應用也將邁向多元化發展。 IDC資深分析師蔡亦真表示,從2008年以來全球交通已經成長了13%,且光是城市地區就產生了50~60%的溫室氣體(GHG),溫室氣體會造成全球暖化、氣溫上升、氣候異常等問題,因此巴黎協定已經規範到了2030年全世界140多個國家,必須降低溫室氣體排放70~95%。另外,以美國為例,可以看到美國每年在處理交通方面的花費占了GDP的3.3%,目前美國有2.5億輛汽車,預估到了2035年會達到17億輛的數目。越來越多的車輛,已經造成了交通壅擠和事故的問題,但其實這些問題是可以藉由智慧交通非常有效率地解決的,由於資通訊技術的發展,讓這些交通問題有望順利地解決。 所謂的智慧交通,就是交通管理的智慧化。管理人與車,無論是人在移動上的需求、非公共車輛的停車需求,或是人跟車和車跟車之間移動的需求,這些需求是須要被協調的,但目前協調這些需求仍存在幾個挑戰。包括道路容量有限、汙染、停車、道路與車輛的損壞以及駕駛者狀態等問題,皆是現在智慧交通所要解決的狀況。 蔡亦真認為應該利用資通訊的技術發展車聯網(V2X)和物聯網(IoT)在智慧交通的應用。藉由IoT實現智慧交通管理、路線規劃、智慧停車系統(Smart Parking System),以解決目前的交通問題。她同時提到,智慧交通的發展主軸應該環繞四大主題,即安全、減少交通事故、發展智慧應用和串連政府各單位的平台(如警局、醫院、消防局等)。目前常見的智慧交通應用有:交通號誌的管理智慧化、路程導航、道路公共運輸、路況蒐集、車位尋找和危險預警等。 蔡亦真舉例說明,以新加坡國立大學(National University of Singapore, NUS)的自駕車計畫為例,以學生與上班族為對象,在新加坡國立大學周圍的固定路線行駛,並已經有78,000個用戶登錄到網路上。這項計畫由政府、學研、電信商、公共運輸業者、系統整合商、數據服務商與店家共同合作完成,不僅能提供交通安全保障減少交通壅塞,並能節省能源和人力成本的消耗,達到智慧交通的願景。 79GHz雷達系統減少30%交通事故 新加坡國立大學的自駕車計畫不但發展了智慧應用,更串連了政府各個單位平台。至於針對減少交通事故提升安全性的部分,松下台灣(Panasonic Taiwan)攜手資訊工業策進會(Institute for Information Industry, III)研發了79GHz雷達系統,可以有效地降低30%交通事故發生機率,將車聯網技術在日常生活中實現,同時也更加促進智慧運輸系統(ITS)的發展。 Panasonic Taiwan副執行長青山恭弘表示,為了進一步改善日本、美國和亞洲地區不同環境中的交通技術,Panasonic針對ITS進行了許多調查與研究,為了減少交通事故的發生,傾力研發可以因應不同類型交通環境,精確監測交通流量的79GHz雷達技術。 青山恭弘指出,自2010年以來,Panasonic一直致力於研究79GHz雷達技術,目前已經可以精確地監測交通流量與物件。Panasonic將這項技術與III的CCTV影像技術(深度學習)相結合(表1),利用此系統可以在道路上測試現場的交通狀況。79GHz雷達藉由檢測反射回來的高頻波形,在惡劣的天氣與黑暗中都可以高度精準地感測物體與交通狀況。 青山恭弘進一步說明,由於大多數交通事故是粗心駕駛以及超速違規所造成的。然而經由統計資料可以發現,在下雨的情況下或是夜間的肇事次數又是其他時候的兩倍以上。因此針對雨天與夜晚採取應對措施就可以有效地減少交通事故發生。Panasonic與III合作的79GHz雷達系統可以預防52%的交通問題,例如超速、闖紅燈、違反停止號誌等。另外有58%的交通事故都發生在十字路口,因此在十字路口安裝79GHz雷達系統,以台灣的交通狀況來看,可以有效減少至少30%的交通事故。 另外,青山恭弘也提到,Panasonic為了讓技術更適應複雜的交通場域,要了解亞洲的交通環境,台灣是非常合適的研究場所。同時,與當地的技術交流也是非常重要的進步動力,因此Panasonic希望能與III保持密切合作,致力於開發新一代C-V2X的技術。 掌握即時資訊交通管理更有效 智慧交通除了如上述的自駕車計畫和雷達系統可以幫助節省人力和能源、提升安全性之外,若能善用交通即時資訊,即可提升交通設施與資源的使用效率,進而節省人們的時間成本,和交通設施的大量成本。 資策會資深產業分析師兼組長鄭兆倫表示,都市是一個有效率的集合體,不管是經濟或是科技發展都因都市化而能夠更加迅速地成長,但是相對地,要付出的代價就是交通成本的增加。巨大的交通壓力促使智慧交通需求增加,善用交通即時資訊降低交通設施與資源成本,藉此改善交通管理精度。 都市化產生了巨大的社會成本,由於需要更多交通設施,都市空間因而被壓縮(圖1);而塞車導致的每人無生產力時間每年大約為1周;交通壓力大導致事故衝擊數量上升,因此政府也需要提高預算來因應事故發生與避免其發生。隨著都市化程度增加,這些情況只會更加嚴峻。 圖1 人口的增加與都市化使交通壓力日益上升。 鄭兆倫進一步說明,智慧交通藉由將靜態資料轉換為即時資料,可以提升交通管理精度(圖2),更有效率地使用交通資源(例如道路或停車設施),降低設施與資源的閒置率。因此可以說,擁有交通資料即擁有參與交通新商業模式的本錢。可以發現過往製做地圖的公司都轉向提供交通即時資料的服務,甚至是交通預測服務。例如TomTom(地圖、導航和GPS設備公司)併購了波蘭最大車隊管理業者Finder,交通數據業者INRIX則併購了世界最大停車APP ParkMe,而戴勒姆(Daimler)、奧迪(Audi)、寶馬(BMW)則共同持股Nokia推出的地圖系統HERE。 圖2 各種智慧運輸系統提升運輸效率。 資料來源:ETSI MIC整理,2019年 鄭兆倫指出,智慧交通也帶來了產業結構的改變,技術與產品組合多樣化、市場區隔細緻化使產業結構更加複雜。 然而未來的資料(Data)就是本錢,因應前述挑戰,擁有交通資料的廠商可以藉由跟政府或是企業合作,進行新的互動模式,並找到新的應用商機,如此就能在智慧交通的領域開創更多機會與商機。
0

優化辨識速度與準確率 PerceptIn堅定安全低速自駕之路

目前,較具備發展前景的技術是電腦視覺,馬羽佳強調,其具備較好的環境感知功能,也因為技術成熟、價格親民,因此導入大規模應用有相對優勢。此外,多感測器資訊融合技術也備受關注,該技術能夠對各類訊息進行篩選及融合,以提供全面的環境資訊進行決策,保障車輛行駛的穩定和安全。 PerceptIn發展適用於低速園區的自動駕駛載具,例如遊樂園、學校、科學園區等。根據不同的場景,自動駕駛技術可與載人、零售、廣告等功能的車輛結合,滿足不同的使用需求。 PerceptIn的視覺感測技術可讓自駕車辨識行駛過程中的車及行人,達到避障效果,辨識速度低於0.1秒,準確率達90%以上。 馬羽佳說明,PerceptIn透過優化系統內部資料傳輸以降低系統延遲,並將系統到電腦之間的傳輸優化,基於不同架構平台包括GPU、FPGA等的移植加速。而為了提高準確率,該公司也針對視覺演算法本身,同時使用深度學習和幾何視覺方法,達到視覺資訊交叉驗證;以「安全低速」為核心,讓自駕應用進行成本有效控制與採用相對成熟、可靠技術的前提下快速落地。 PerceptIn商務拓展經理馬羽佳指出,該公司降低系統延遲,並提高準確率,以「安全低速」為自駕技術應用發展核心。  
0

專訪台灣愛立信總經理藍尚立 成熟生態系統成5G專網實現關鍵

根據愛立信新發布的行動趨勢報告指出,目前推動專用網路市場成長有兩大因素,分別為陸地行動無線電(LMR)的現代化及工業數位化需求。傳統的LMR系統缺乏頻寬功能,只提供有限的性價比,且主要已部署的系統生命也將至末期。因此,LMR系統的現代化勢在必行,特別是在公共安全、公共事業、公共場所,以及自然資源(石油、天然氣、礦產)等市場。至於工業數位化,則是為了提高生產力和營運效率的新應用而推動。 台灣愛立信總經理藍尚立(Chafic Nassif)說明,目前已有許多5G專網的概念性驗證(Proof of Concept, POC)和商業驗證(Proof-of-Business, POB)案例正在進行,至於何時會實現大規模5G專網,時程很難預估。原因在於,5G專網建置需要一個成熟的生態系統,並非只倚靠網通設備就能打造,像是工廠裡面的感測器、閘道器(Gateway)或是其他設備等,其聯網能力和效能是否都已達到業者的預期,且又符合經濟成本。當這些要素都齊全且達到業主預期後,再結合網通、電信業者的技術和服務,5G專網才得以完善。 藍尚立指出,也就是說,目前5G專網技術雖已就緒,但布建的重點在於業者自身的生態系統是否成熟,而不同的領域有不同需求,使得每個企業的的生態系統成熟度也不一樣,因此,5G專網的建置須透過許多POC、POB加以驗證、修正,導致大規模商用時程變得較難估計。 當然,除了成熟度之外,5G專網的建置仍有其餘挑戰待克服。像是專用網路如何在使用行動通訊技術時,運用合適的頻譜,要透過服務供應商,經用監管機構直接分配企業,還是使用者直接使用當地分配的共享授權頻譜,這都是仍待討論的議題。 台灣愛立信總經理藍尚立說明,成熟的5G專網時程很難預估,主要仰賴業者是否已有成熟的生態系統。  
0

CMOS感測器迭創新高2018~2023年CAGR高達8.7%

儘管預計今年和2020年的成長將趨緩,但預計CMOS影像感測器市場將在2023年前持續創新產業規模與產品出貨量,數位影像應用的普及抵消了全球經濟疲軟和美中貿易戰的衝擊。根據產業研究機構IC Insights的報告指出,預計2019年CMOS影像感測器的銷售額將成長9%,達到155億美元的歷史新高,然後在2020年成長4%,達到161億美元。 IC Insights預測,2019年CMOS影像感測器出貨量將成長11%,達到全球創紀錄的61億顆,隨後全球經濟預計將進入衰退,2020年將成長9%,達到66億顆,部分原因在於美國和中國之間的貿易戰。 2018年,CMOS影像感測器的營收成長14%,達到142億美元,而2017年成長了19%。自2011年以來,CMOS影像感測器的銷售額每年都創下新高,連續的記錄預計將持續到2023年,預計市場規模將達215億美元。 自2011年以來,CMOS影像感測器的全球出貨量也連續八年創新高,根據預測,這些年度記錄預計將持續到2023年,單位數量將達到95億顆。中國占2018年購買的所有影像感測器的約39%(不包括其他國家的公司為中國裝配廠的系統生產而購買的單位)。手機相機仍然是CMOS影像感測器最大的終端用戶市場,占2018年銷售額的61%,占單位出貨量的64%,但其他應用將在未來五年內提供更大的成長動能。 報告顯示,汽車系統是成長最快的CMOS影像感測器應用,2023年銷售額年複合成長率(CAGR)上升29.7%至32億美元,占該市場當年總銷售額的15%(相較之下2018年僅6%)。 預計手機的CMOS影像感測器銷售額在2023年將以2.6%的年複合成長率成長至98億美元,約占市場總量的45%,而2018年為61%(86億美元)。預計2023年個人電腦和平板電腦中CMOS影像感測器的年複合成長率將達到5.6%,達到9.9億美元,而數位相機的感測器銷售預計未來五年CAGR只有1.0%規模11億美元。  
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -