NXP MRAM 자동차 칩과 Lam의 세미버스

실리콘 웨이퍼 및 마이크로회로

NXP는 TSMC 16nm FinFET 기술로 공동 개발한 내장형 MRAM(자기 랜덤 액세스 메모리)을 발표했습니다. 이 MRAM은 NXP의 S32 자동차 프로세서에 사용됩니다. NXP는 스마트 자동차에 대한 빈번한 소프트웨어 업그레이드를 지원하기 위해 이러한 조치를 취하고 있음을 강조하고 있습니다. 이러한 소프트웨어 업데이트를 통해 자동차 제조업체는 차량의 수명을 연장하고 기능, 매력 및 수익성을 향상시키기 위해 OTA(over-the-air) 업데이트를 통해 새로운 편안함, 안전 및 편의 기능을 출시할 수 있습니다. 아래 이미지는 NXP가 S32 프로세서를 사용하여 차량을 향상시키는 방법을 보여줍니다.

NXP S32 프로세서 플랫폼용 애플리케이션

MRAM은 임베디드 장치의 코드 저장에 자주 사용되는 NOR 플래시를 대체하고 있습니다. 임베디드 NOR 플래시에는 약 28nm 미만의 기능을 갖춘 장치를 제공하는 스케일링 제한이 있습니다. 보도 자료에서는 "플래시 메모리가 약 1분 정도 소요되는 것에 비해 MRAM은 20MB의 코드를 최대 3초 만에 업데이트할 수 있어 소프트웨어 업데이트와 관련된 다운타임을 최소화하고 자동차 제조업체가 긴 모듈 프로그래밍 시간으로 인해 발생하는 병목 현상을 제거할 수 있게 해줍니다"라고 밝혔습니다. 또한 MRAM은 플래시 및 기타 최신 메모리 기술보다 10배 더 높은 내구성 수준인 최대 100만 번의 업데이트 주기를 제공함으로써 자동차 미션 프로파일에 매우 안정적인 기술을 제공합니다."

TSMC의 16FinFET 내장형 MRAM 기술은 100만 주기 내구성, 솔더 리플로우 지원, 150°C에서 20년 데이터 보존을 통해 자동차 애플리케이션의 요구 사항을 뛰어넘습니다. 테스트 차량 샘플은 평가 중이며 이 기술을 사용하는 차량에 대한 고객 가용성은 2025년 초에 제공될 예정입니다.

Lam Research의 EVP이자 CEO 전략 고문이자 전 CTO인 Rick Gottscho는 최근 AI가 반도체 프로세스 엔지니어링을 가속화하는 데 어떻게 도움이 될 수 있는지를 보여주는 Nature의 Lam 기사에 대해 저와 이야기했습니다(이 주제에 대한 3월 IEEE Spectrum 기사도 있었습니다).

그는 회사가 가상 환경에서 반도체 공정 개발을 가속화하는 방법을 개발하고 있으며 반도체 공정에서 일어나는 모든 일에 대한 디지털 트윈을 생성하고 있다고 말했습니다. 특히 식각 및 증착 작업에서 그렇습니다. 전통적으로 이들은 모두 경험적 방법을 사용하여 개발되었습니다. 특히 공정 복잡성이 증가함에 따라 화학 공정에는 많은 조정이 필요합니다. 그는 Lam 장비에서 실행할 수 있는 화학 공정 레시피가 100조 개가 넘는다고 말했습니다. 최고의 프로세스를 개발하기 위한 전통적인 실험 설계는 변수가 너무 많아 시간이 많이 걸리고 시간과 비용이 많이 듭니다.

이러한 프로세스의 효과적인 모델링 및 최적화를 생성하려면 최고 수준의 정확도가 필요하지 않으며, 저렴한 비용으로 빠른 학습이 가능하도록 충분히 우수하면 됩니다. 이를 달성하기 위한 초기 접근 방식은 단순하지만 너무 단순하지 않은 모델을 개발하는 것입니다. 이를 통해 기계에서 수행되는 작업과 가변 매개변수를 사용하여 수행되는 문제를 평가할 수 있어야 합니다. 여기에는 중요한 비선형성과 기본 물리학이 포함되어야 합니다. 정량적 정확성이 아닌 올바른 방향의 추세만 보여주면 됩니다.

이러한 접근 방식을 진행하려면 프로세스 엔지니어로부터 ML 알고리즘을 학습해야 했습니다. 인간이 설계한 실험의 결과는 모델을 대략적으로 조정하고 마지막에는 추가 조정에 사용될 수 있습니다. 목표는 다차원 목표의 10~25% 이내로 들어가는 것이었습니다. LAM 장비를 널리 활용하는 특정 공정은 3D NAND 플래시용 고종횡비 홀을 만드는 것입니다. 마이크론과 SK하이닉스가 발표한 3D NAND 플래시에는 230개 이상의 레이어가 필요하며 향후 3D NAND 플래시는 1,000개 이상의 레이어가 될 수 있습니다. Rick은 실제 환경에서 3D NAND 홀을 반나절 식각하는 데 1,000달러가 소요될 수 있다고 말했습니다.

Lam 접근 방식은 진정한 딥러닝이 아닌 베이지안 최적화 루틴을 사용합니다. 이전에 알려진 정보가 모델에 통합되면 알고리즘은 이러한 이전 결과를 기반으로 실험을 설계했습니다. 이러한 새로운 실험에는 예를 들어 11개의 매개변수가 포함될 수 있습니다. 프로세스 테스트를 통해 새로운 결과를 얻었을 때 이러한 결과는 모델에 다시 피드백되어 새로운 설계된 실험 세트를 만들었습니다. 이 프로세스를 반복하여 최종 최적화 프로세스를 개발했습니다. 알고리즘은 매개변수 분포를 기반으로 하는 통계적 접근 방식을 사용합니다. 이러한 통계를 구축하기 위해 각 조건 세트에 대해 가상 실험을 100회 실행할 수 있습니다.