人工智能和可移动终端的迅猛发展，导致对芯片高算力和低能耗的要求越来越高。而目前集成电路最先进的晶体管沟道长度和厚度开始逐步接近原子尺度，而传统半导体材料已经接近性能极限。最新的国际器件与系统发展路线（IRDS）就指出，具有原子厚度的二维半导体在未来大规模集成电路中有着巨大的潜力。所以，发展基于二维半导体的新型芯片具有极其重要的战略意义。当前国际上大面积二维半导体的生长已经有诸多报道，但是其集成电路应用仍在探索的初期。这主要是因为原子级厚度的二维半导体对工艺环境极端敏感，所以传统半导体CMOS集成工艺不能直接用来照搬。这就需要工业界和学术界共同投入大量的精力来开发基于二维半导体的新型集成电路工艺
近年来，复旦大学微电子学院的包文中研究员课题组和周鹏教授团队通过长期合作，在二维半导体材料晶圆级生长、工艺集成、电路设计等集成电路应用方向开展了系统深入的研究。10月12日，《自然-通讯》（Nature Communications）在线发表了该课题组的研究论文《基于机器学习辅助工艺优化二维半导体晶圆级电路制作》（“Wafer-Scale Functional Circuits Based on Two Dimensional Semiconductors with Fabrication Optimized by Machine Learning”）。此工作中，课题组利用机器学习策略辅助优化了二维半导体增强型顶栅晶体管的制备工艺，并采用工业标准设计流程和工艺进行了晶圆级器件与电路的制造和测试（图1）。该工作提出了一种适合学术界探索的二维半导体集成电路工艺优化路线，从而展示了二维材料体系未来的芯片应用前景。微电子学院解玉凤教授、博士生陈新宇和硕士生盛耀晨、唐宏伟为共同第一作者，微电子学院包文中研究员、周鹏教授和信息学院万景研究员为该工作的共同通讯作者。
图1. 二维半导体的算法辅助工艺优化，顶栅工艺结构，以及晶圆级流片结果
这项研究工作的核心内容是利用已经积累的较大实验数据样本集，采用机器学习算法进行数据训练，从而识别具有优良器件指标的器件工艺特征。这样通过算法就可以高效地对所有可能的工艺组合进行评估，再辅以工艺专家的经验结合人为设计实验验证，从而进一步提升算法准确率并最终得到最优的工艺组合。简单来说，就是利用机器学习的高效性来辅助科研人员进行巨量组合的筛选，极大程度地减小科研人员的工作量。而且本工作所采用的机器学习策略具有通用性，其他新型材料也可以利用此策略缩短其器件工艺探究与应用进程，提高科研效率。
图2. 利用优化的二维半导体顶栅工艺制作的各种常见集成电路单元
通过算法优化后的晶圆级二维半导体工艺，可以得到兼容性强的增强型顶栅晶体管，并基于此工艺成功演示了各种数字、模拟、存储、光电探测等集成电路单元（图2）。进一步，研究团队充分利用二维半导体超薄厚度、可调带隙等优势，构建了包含突触权重存储单元、乘加卷积运算单元以及激活函数单元的全二维人工神经网络芯片（图3），“一站式”地突破了二维半导体从器件工艺到芯片制造的困难。10月5日，工作进展以《基于二维半导体的人工神经网络芯片》（“An Artificial Neutral Network Chip Based on Two-Dimensional Semiconductor”）为题发表于国内期刊《科学通报》（Science Bulletin）。学院青年副研究员马顺利，博士生吴天祥、陈新宇为本文的共同第一作者；包文中研究员、任俊彦教授和周鹏教授为该工作的共同通讯作者。
在这项工作中，研究团队利用level-62 SPICE模型构建晶体管仿真模型，从而对人工神经网络中的模拟电路进行仿真和优化。最终构建了一个可用于未来智能传感应用的人工神经网络芯片。此芯片突破了冯诺依曼架构的限制，与生物神经元类似，具有多个感知“突触”，收集来自传感器的信号。每个突触可以存储和改变感知信号的相应权重，并实现感知信号与权重的乘加运算，然后输入到激活函数电路进行映射与归一化。最后，该芯片结合片外软件演示了未来基于MoS2人工神经网络芯片可实现的触觉盲文分类器，经过权重值优化后的盲文字母识别率达到97%以上。
图3. 利用二维半导体制作的人工神经网络芯片
虽然目前芯片主流舞台依旧属于硅半导体，但在某些特殊应用场景已经有诸如氧化物半导体、有机半导体材料等新型材料的身影。因此，利用新材料的优点来提高芯片的整体性能，往速度更快、尺寸更小、功耗更低、计算存储密度更高的方向发展，是未来芯片发展的必由之路。拥有独特优势二维半导体发展前景不可小觑。团队未来将继续聚焦于新型二维半导体，深挖其特有属性，往新计算范式、三维集成应用方向探索，进一步推动其在集成电路产业中的实际应用。
该系列工作得到了科技部重点研发计划纳米科技专项、国家自然科学基金杰出青年科学基金、应急重点项目、上海市教委科研创新重大项目、上海市集成电路重点专项等项目的资助，以及教育部创新平台和专用集成电路与系统国家重点实验室的支持。同时还得到了上海市微系统所，香港理工大学，新加坡国立大学，苏州大学等兄弟院校的合作支持。
论文链接：https://www.nature.com/articles/s41467-021-26230-x
https://www.sciencedirect.com/science/article/abs/pii/S2095927321006459
