芯片——摩尔定律的传奇(下)

万物摩尔定律:人工智能技术的快速迭代将使人类万劫不复? 这一趋势已经持续了半个多世纪,摩尔定律都非常准确的预测了半导体行业的发展趋势,成为指导计算机处理器制造的黄金准则,也成为了推动科技行业发展的“自我实现”的预言。一个幂律图示例,展示了某个人气排名的规律。在统计学中,幂律(幂定律、幂法则,Power law)表示的是两个量之间的函数关系,其中一个量的相对变化会导致另一个量的相应幂次比例的变化,且与初值无关:表现为一个量是另一个量的幂次方;摩尔定律不是数学意义上的定理,也不是物理意义上的定律,而是一个半导体行业中的经验规律,是行业的经验法则和努力目标。 阅读详情
AI摘要

本文探讨了摩尔定律的历史背景及其对集成电路技术的影响。介绍了从早期芯片到现代微处理器的发展历程,包括光刻技术的进步、晶体管尺寸的缩小以及新材料的应用等关键技术创新。同时也讨论了面临的挑战和未来的可能性。

芯片——摩尔定律的传奇(下)

引自: http://www.ccf.org.cn/c/2017-08-16/603629.shtml


50多年来,集成电路(IC)一直按照摩尔定律前行。但是,IC芯片的密度和计算机的速度能够一直按照摩尔定律前行吗?又有哪些物理极限和技术极限需要突破?最小晶体管到底可以由多少个原子构成?是否有能够替代硅的电子集成制造技术?这些问题困惑并激励着人们去寻找新的突破口。摩尔定律会把我们引向何方?

底层有足够空间

1959年,著名科学家理查德·费曼(Richard P. Feymann, 1918~1988)在美国物理学会上作了一次《底层有足够空间》的报告。学术界普遍认为,以该文为标志,人们开始了微纳技术的研究。IC技术的发展也证明了费曼的这一观点。

IC芯片越做越小,而功能越来越强,这得益于光刻技术和微纳技术的发展。1971年,英特尔(Intel)开发出第一代也是世界上第一个微处理器芯片4004,包含了4个芯片,由2300个晶体管组成。该微处理器是为便携式计算器而研发的,供应给日本计算器制造商。英特尔的第二款微处理器芯片8008被用到计算机中,推动了微处理器芯片的研发。1982年,英特尔的微处理器80286采用了1.5μm的工艺,计算机的主频为10MHz,芯片面积68.7mm2;2000年,奔腾4由4200万个晶体管组成,芯片面积224mm2,采用0.18μm工艺;2008年,i7微处理器的晶体管已达7.31亿个。

表1 1999年后CMOS工艺技术节点及其部分参数

表1

一般来说,现在把互连金属线条间距离的一半称之为半间距,可用来衡量或定义每一代技术的节点。光刻中临界尺寸或最小特征尺寸取决于光源波长和数值孔径等因素,临界尺寸是所定义的半间距的两倍。按照尺寸缩比要求,每两年或三年工艺中最小线条技术节点的尺度要缩小到原尺寸的70%。用标度因子表示为S=0.7×,称之为登纳德标度。理想的同比例缩小是指每一代产品,其场效应管沟道长、宽、栅极氧化层的厚度、结深、电源电压、阈值电压等都要缩小,并按照这个因子来计算。1995年,英特尔推出高性能奔腾处理器,技术节点和实际栅长均为350nm。从350nm以下,每一代产品中该数值只是名义上的标称数值了。实际上,CMOS结构中多晶硅的门长度要比这个技术节点数值更小。2011年,英特尔基于22nm工艺制作了一种四核常春藤桥处理器——“Ivy Bridger, Core i7”芯片,在160mm2上有14亿个晶体管。2015年以后,有了更小的加工线条,如10nm、7nm、5nm等。比如,现在采用紫外光(UV)光刻、电子束曝光,甚至X射线光刻方式,可以制备小于10nm以下的加工线条。表1是1999年以后CMOS工艺技术节点及部分参数。图1是一个典型产品的晶体管数与年代的关系。技术节点的含义随时间也在不断发生变化。近些年,受控于各大半导体公司,技术节点名称只是名称而已,与具体的数值无太大相关性了,但总的来说,与最小特征尺寸有关。对DRAM来说,光刻的线条半宽越小越好;对MPU来说,栅长越小越好。

图1

图1 典型产品的晶体管数与年代的关系

(图片来源:Design and Modeling for 3D ICs and Interposers: pp.1-59. 2013)


闪存是日本东芝公司舛冈富士雄(Fujio Masuoka)于1984年发明的,是一种可移动的电可擦写存储介质,结构类似MOS管器件,在沟道和栅极之间有一个氧化绝缘包裹的多晶硅浮栅,用于存储电荷作为信息。闪存的结构特征尺寸已经达到14nm。2005年,闪存的容量是2GB;2008年,16GB;2009年,32GB;2011年,64GB。2013年,128GB,包含640亿个元件,已经是当初摩尔预言的65000个元件数的100万倍了。这个数字相当惊人。同微处理器相比,闪存不属于电发热器件,它只有在写入或擦除信息的时候才消耗很少的电。因此,可以多层叠加在一起,其密度相当大。

难以想象的微纳晶体管制造技术

为了提高芯片运行速度和密度,能对更多的结构单元进行控制,就要不断缩小晶体管的尺寸和晶体管间的距离,这正是摩尔定律一直追求的。晶体管的MOS结构由源极、栅极和漏极组成,其工作原理是,通过改变栅极电压来控制电子在源极和漏极之间的运行,从而具有电子开关的作用。缩小晶体管的关键是把负责控制的栅极长度缩小,栅极的长度就是电子要跨越的距离。当栅极的长度与源极和漏极耗散结宽度之和相近时,会出现短沟道效应。栅极尺寸缩小带来两个主要问题:一个是晶体管栅极缩小时,漏电流不断增加;另一个是源极、漏极、衬底间、电极接触处寄生电阻和电容的影响相对变得越来越大。图2(a)是一种常规的场效应晶体管(FET)。相对来说,栅极沟道越短,电子渡越时间越快,耗电也越少。

应变硅技术是一种在保持晶体管栅长度不变时提高速度的主要方式,是2003年进入100nm节点以下之后采用的一种技术手段。该技术通过改变面心立方单元中硅原子的位置,提高载流子的迁移率,从而提高晶体管的电流和增益。该技术是由英特尔于90年代发明的。比如,在SiGe层上生长一层硅,导致硅层的晶格膨胀,硅原子间处于拉伸状态,产生应变,硅原子间相互作用力减弱,使硅中电子速度提高,从而使控制晶体管的开关速度提高。反之,若硅原子处于压缩状态,则电子速度变慢。一种途径是在晶体管的源极和漏极采用掺杂锗,在p沟道MOSFET中产生压应力,提高空穴的迁移率;或掺杂碳来控制n沟道MOSFET中产生张应变,进而改变电子的迁移率。还可以在多晶硅栅极周围生长氮化硅产生水平张应力或压应力,使沟道中硅原子处于拉伸或压缩状态,电子或空穴的运动速度加快。图3(a)是结合源漏区掺杂SiGe(SiC)与栅极包裹层压(张)应力增强p(n)沟道空穴(电子)的应变MOSFET。应变硅为沟道的技术是在90nm以下技术中主要采用的方式,而2011年前则采用常规的硅来做沟道。

图2

图2 (a)平面n沟道MOSFET晶体管示意图 (b)多门多鳍晶体管 (c)一个10nm的晶体管 (d)14nm工艺中一个三门晶体管的鳍微观结构图 (e)目前晶体管结构发展示意图

(图片分别来源:(a)Microelectronics in the “More than Moore” age: becoming a truly pervasive technology, Ford Motor Company conference Center and the Henry Ford Museum, May, 2013;(b)Moore’s law: the future of Si electronics, materials today, June 2006, V9N6;(c)Sub-20nm CMOS FinFET technologies, IEEE IEDM, pp.421-424,2001;(d)14nm process technology: Opening new horizons, Intel;(e) Are Nanotube Architectures More Advantageous Than Nanowire Architectures For Field Effect Transistors, Sci.Rep 2.doi:10.1038/srep00475, 2012)

为了解决漏电流问题,有两种主流设计制造方式能有效地抑制短沟道效应:一种是在绝缘衬底上设计的超薄体UTB-SOI场效应管(MOSFET)(ultra thin body SOI, UTB);另一种是双门或多门鱼鳍式场效应管(FinFET),如图2(b)、(c)和(d)。在鱼鳍式非平面场效应管中,通过对源极与漏极间导电沟道“硅鳍”进行两面或三面氧化绝缘包裹,从而有效地抑制漏电流。图2(c)是一个鳍式场效应管,源极与漏极像鱼的左右鳍,栅极则相当于鱼脊。可采用多晶硅包裹源极与漏极的硅鳍作电连接,多晶硅能有效地降低接触电阻并能和金属有效地互连。图2(d)是英特尔在14nm工艺中制备的一个三门控制FET鳍的微观结构图。图2(e)是晶体管从最初经典的构架发展到鳍式晶体管等的构架示意图。从中可以看到晶体管结构的发展模式:从利用普通硅到利用绝缘衬底SOI(Silicon-On-Insulator)硅片,从单门控制发展到双门和多门控制,从平面结构发展到非平面结构,从水平方向晶体管构架发展到垂直晶体管构架。总而言之,是通过各种绝缘电控的方法在最大程度上控制晶体管中源极到漏极的电子输送,以减少漏电流。未来IC发展中,该FinFET结构将是一种主要的构架方式。

抑制漏电流可以显著提高晶体管的可靠性。数据表明,当氧化层的厚度减小到1nm时,由于量子遂穿效应,电子将要穿越氧化层,产生显著的漏电流,对电子的控制越来越难,这时就需要采用高介电常数(k)的材料来替代二氧化硅做绝缘层,比如氮氧硅铪(HfSiON)和二氧化铪(HfO2)。数据表明,英特尔于2007年在45nm工艺节点中开始采用带隙宽的高k材料,这提高了栅极电容,从而极大降低了漏电流;同时,晶体管的栅极也由多晶硅电极转变成金属电极,以抑制多晶硅在加电压时产生耗尽区,使驱动电流性能降低。45nm技术包含了高K、金属门、应变硅、9层铜互连、193nm光刻,以及无铅封装等。

以铜/低k(低介电常数)作为互连极大地提高了IC的性能。IC中电信号的速度由两部分控制:一个是单独晶体管的开关时间,即栅极门延迟时间;另一个是晶体管之间的传输时间,即RC延迟(R是电阻,C是电容)。在微米尺度以下,RC延迟变得非常明显。解决的途径是降低互连电阻和电容。1997年,IBM公司宣布,利用铜布线可以使微处理器更快、更小,而且成本更低。由于铜比铝的电阻率低40%,其运行速度可提高15%。2001年,电互连开始采用铜替代铝膜。为了减小电容效应,将隔离铜的氧化物采用低k(同二氧化硅相比)材料来代替,如采用掺氟的氧化物和氟硅玻璃(FSG)等来降低电容。因此,在130nm工艺中,铜/氟硅玻璃作为互连是一种解决方案。图3(b)是IBM制备的多层铜工艺图片,结构层层叠叠,宛若迷宫。

图3

图3 (a)源漏区掺杂SiGe(SiC)与栅极包裹层压(张)应力增强p(n)沟道空穴(电子)的

应变MOSFET(图片来源:Strain Engineering for CMOS Devices, IEEE,2006);(b)IBM制作的多层铜布线(图片来源:http://www-03.ibm.com/ibm/history/ibm100/us/en/icons/copperchip/)


从1975年到2012年,芯片的单元密度和工作速度的增长率一直在稳步提升。2010年的国际半导体技术路线图预言,芯片密度的增长率在2013年将放缓。2015年,摩尔本人更是预言,摩尔定律在下一个十年将走到尽头。英特尔公司首席执行官布莱恩·科兹安尼克(Brian Krzanich)也说,从2012年的22nm技术开始,芯片的发展速度已经慢下来了,这将一直持续到14nm的技术节点,我们现在更新换代的周期大约接近两年半的时间。2016年4月,他又说,在他34年的半导体工业生涯中,他见证了四次宣称“摩尔定律的终结”。但他们从14nm向10nm进军,并计划7nm和5nm,甚至更小尺寸时,他们的计划一直是按照摩尔定律前行的。

可以预言的是,随着新技术的出现,摩尔定律将会继续向前。最新的微处理器其特征的鳍结构只有14nm,这比大部分病毒(100nm)还小,如图4所示。实际上,当栅长小于10nm时,器件对其实际尺寸和材料组份的变化会非常敏感。有人估计,当基于硅的芯片特征尺寸达到5个原子时,电子的漏电流和海森堡测不准原理的效应将显现,器件将不再实用。而至今还没有什么材料可以取代硅。

图4

图4 英特尔在32nm工艺中制造的一个SRAM放置在一个人体的红细胞上,右侧为SRAM微观结构。(图片来源:Variation in 45nm and Implications for 32nm and Beyond,2009 2nd International CMOS Variability Conference –London)

超越摩尔

超越摩尔(More than Moore, MtM)的概念是在2005年的国际半导体路线图中提出来的,目的是描述按照摩尔定律,芯片不再适合小型化发展趋势下的技术特征。这些技术突出了非数字化功能,比如无线通讯、功率管理、敏感检测和执行,即将这些新功能集成到片上系统(System-on-Chip, SoC)或系统级封装 (System-in-Package, SiP)中。片上系统是将多种功能集成到一个芯片中,而系统级封装却是将多个芯片集成到一个封装模块中(不是在PCB板上)。而2015年的半导体路线图中又将异质集成(Heterogeneous integration)提出来,即将不同制造方法制作出来的元件集成到一起,旨在增强功能。因此,需要一套新的物理参数和优化指标来表征正在显现的技术。

如果只按照晶体管不断缩小的方式走下去,必将受制于物理定律,我们终究要走进一个死胡同。人类的智慧在于不断发现新的方法和途径。据报道,NEC公司于2002年制作了门长只有6nm的晶体管。图5是未来晶体管的发展趋势。比如从目前的鳍式FET,将要发展到以纳米线、纳米管为电子输运通道的晶体管,在二维和三维方向也不断扩展,晶体管的制造将发生本质的变化。

图5

图5 未来晶体管发展趋势

(图片来源:http://spectrum.ieee.org/semiconductors/devices/transistors could stop shrinking in 2021)

为了提高IC的密度和功能,IC技术的发展从平面技术扩展到三维技术,从单芯片扩展到多芯片模块(MCM)方式。为了降低功耗和散热,提高计算机的运行速度,芯片从单核发展到多核,也从单一功能发展到多功能等。但问题随之出现了,比如由多芯片模块构成的系统,片间互连距离陡增,极大地破坏了系统的性能。90年代中期片上系统的到来就是为了解决离片互连所带来的延迟问题。将所有组件全部集成到单一衬底上将极大提高系统的速度,同时降低功耗。系统级封装是另一种通过将多个芯片堆垛的方式并通过引线键合的解决方案。此外,基于硅通孔(TSV)的三维集成技术也是目前人们关注的一个集成方案。多层结构、金属互连、转接板和硅通孔等方法和技术成为研究的一个切入点,这对系统集成提出了更高的要求。比如,在65nm技术中,晶体管的门长减小到35nm,氧化层厚度为1.8nm,有8层金属铜互连。图6展示的是一种系统级封装与三维集成技术的互连方式。

图6

图6 系统级封装与三维集成技术的互连方式

(图片来源:Springer International Publishing Switzerland 2015, Three-Dimensional Design Methodologies for Tree-based FPGA Architecture)


摩尔之外还有什么呢?还有更加丰富多彩的世界,基于硅的微机电系统(MEMS)展露了它前所未有的生机和活力。还有微机电系统、传感器、光电二极管、功率器件、三维封装和异质集成方案等。

在制造工艺上,光刻方法加工的线条不可能无休止地缩小下去。一种解决途径是寻找和利用新的沟道材料和器件,如碳纳米管和纳米线,以及上述三维的制造方式等。图7是一个典型的包含多个“摩尔”和“超越摩尔”的微系统,数据处理与存储属于摩尔范畴,而新型传感器、射频乃至能源管理都成为超越摩尔之中要考虑的内容。除了热问题之外,能源问题是超越摩尔系统所要解决的一个突出问题。曾经的计算只局限于台式机和超级计算机,而今计算已经步入移动时代,智能手机要利用WiFi和GPS,网络不断地、长时间地和周边以及其他用户通讯工作,要与各种传感器,比如触摸屏、磁传感器、加速度传感器进行交互作用,计算量很大,需要消耗的能量也很大。

图7

图7 一个典型的包含多个“摩尔”和“超越摩尔”的微系统

(图片来源:Positioning More Than Moore Characterization Needs and Methods Within the 2011 ITRS)


摩尔定律的内在驱动力

究竟有哪些因素在推动摩尔定律向前发展呢?无疑,是市场极大的需求和巨大利润的吸引。60年代IC发展的初期,仙童半导体公司生产的晶体管和逻辑电路芯片就得到美国很多重大工程的订单。仙童半导体公司当时占有IC市场30%的份额。

研究表明,自半导体工业诞生以来,有三个商业驱动力在推动半导体向前发展:一是计算机工业的到来推动了内存的需求;二是专用IC的发展;三是IC允许多功能系统的集成。

研究还表明,软件代码行数也呈指数增长规律。1995年,微软首席技术执行官研究了软件代码行数。他发现,1975年,Basic语言的编译器只有4000行;而20年后,几乎达到了50万行。软件的规模和复杂度在增加,也需要越来越快的微处理器。

实际上,半导体工厂的投入也是按照指数增长的。伴随着每一代新品的到来,芯片的研发、制造和测试费用都在稳步提升,这导致摩尔的第二定律,即在半导体作坊上的资金投入也随时间呈现指数增长。摩尔在1995年发表文章说:“最使我担忧的是投入的花费……这是另一个指数。”1966年,一个新的半导体基础设施投入费用约为1400万美元;30年后则达到15亿美元。投入如此巨大,对半导体的发展来说无疑是致命的,一个解决途径是国际间大公司的竞争与合作。而一旦无利可图之时,摩尔定律就很难走下去了。有人说:“摩尔定律的终结不是技术问题,而是经济问题。”

摩尔定律促使人们在许多方面进行创新和突破,提出新思想、新技术来解决一些技术瓶颈。基于新的物理原理的原型样机,如量子计算机和神经网络计算机等将成为人们期待的运算工作模式。为了拓展和深入摩尔定律,2016年,美国半导体工业年会报告的路线图题目为“国际器件与系统路线图”。大会主题不再聚焦跟踪摩尔定律,而是转向应用,如智能手机和云数据中心等,研究应该开发什么样的芯片以支持这些功能和应用。


2015年,摩尔再次预言,IC前进的速度将趋饱和,估计下一个十年左右,摩尔定律或将终结。不过半导体展望家卡弗·米德(Carver Mead)在1992年写到:“摩尔定律是一件有关人类活动的,是关于眼界的……许多人被他们的知识和信仰所限制,从而不能越雷池一步。当摩尔做出他的预言时,他让我们认识到是什么在前行……我们一直处于一个动态的、不断前行的世界中。”爱因斯坦曾这样说过:“科学家研究的是早已经存在了的,而工程师将创造的是前所未有的。”  ■



摩尔定律的进化:从晶体管到未来的计算奇点 摩尔定律不仅是技术发展的规律,也是对人类创新能力的礼赞。它提醒我们, 阅读详情

相关推荐

10、芯片舞台上的明星:从先驱到巨头的传奇征程

本文回顾了芯片产业的发展历程,聚焦集成电路先驱杰克·基尔比的贡献,讲述仙童半导体如何孕育硅谷并推动半导体技术革新。文章详细介绍了‘叛逆八人组’的传奇创业史、摩尔定律的提出,以及英特尔从内存转型微处理器并主导PC时代的崛起之路。同时探讨了AMD、英伟达等企业的竞争格局变化,并展望了制程工艺进步、异构计算、量子计算和AI芯片等未来技术趋势,展现了芯片产业持续创新与变革的壮丽画卷。

websocket5live的博客 346

芯片制造工艺中的衡量指标

目录一、芯片厂商二、制程2.1 最小栅极宽度(栅长)2.2 20nm制程的技术问题2.3 10nm制程的技术问题三、FinFET四、Intel、台积电、三星对制程的定义五、参考资料六、延伸阅读 这篇博客主要解决两个问题: 1、芯片制造中常见的10nm/7nm/5nm制程是指什么的距离? 2、芯片制造工艺的先进行除了制程之外还有其它指标吗? 一、芯片厂商 目前芯片厂商有三类:IDM、Fabless、...

npc666666的博客 2万+

支付系统保证可靠性的秘诀 ----- 订单的补偿和补单

文章目录WHAT? 前言WHY? 为什么要用多级缓存?HOW 怎么做?方案 版本1:数据库存储专线配置通过优先级进行动态上下线方案 版本1 劣势:方案 版本2 :本地缓存替代数据库方案 版本2 劣势:方案 版本3:分布式缓存做自动补偿方案 版本3 总结:Where 分布式多级缓存还能用在哪些地方?总结 WHAT? 前言 刚入职场的时候觉得支付宝等第三方支付系统好强大,要保证这么多的交易不能错,也不能重复还要保证正确的扣钱,直到后面接触订单系统以及第三方支付公司的核心交易系统后才真正窥探到了支付系统的核心

boboaisisi的专栏 3534

摩尔定律的概念

摩尔定律是指IC上可容纳的晶体管数目,约每隔18个月便会增加一倍,性能也将提升一倍。摩尔定律是由英特尔(Intel)名誉董事长戈登·摩尔(Gordon Moore)经过长期观察发现得之。计算机第一定律——摩尔定律Moore定律1965年,戈登·摩尔(Gordon Moore)准备一个关于计算机存储器发展趋势的报告。他整理了一份观察资料。在他开始绘制数据时,发现了一个惊人的趋势。每个新芯片大体上包含其前任两倍的容量,每个芯片的产生都是在前一个芯片产生后的18-24个月内。

qq_40713201的博客 5282

HFSS学习记录——0. HFSS软件安装(ANSYS Electromagnetics Suite 2023 R1)

HFSS 2023 R1安装步骤

plmxu34的博客 15万+

faster lio 回环 加入GTSAM优化的记录

对Faster lio 加入回环、gtsam优化,在室外建图遇到的问题和过程

Nico_jion的博客 2598

集成电路(IC) & 摩尔定律

集成电路(IC)&摩尔定律 1940年代~1960年代中期,计算机都由独立部件组成,叫“分立元件”,然后不同组件再用线连在一起。如果想提升性能,就要加更多部件,这导致更多电线,更复杂,这个问题叫“数字暴政”。 (分立元件的定义:只有一个电路元件的组件,可以是被动的(电阻,电容,电感)或主动的(晶体管或真空管)) 1950年代中期,晶体管开始商业化(市场上买得到),开始用在计算机里。晶体管比...

npc666666的博客 3972

轴承寿命预测实战:手把手教你用IEEE PHM2012数据集训练模型(附Python代码)

本文详细介绍了如何利用IEEE PHM2012数据集构建轴承剩余寿命预测模型,从数据预处理、特征工程到LSTM模型训练与部署,提供了完整的Python代码实现。通过实战案例,帮助读者掌握预测性维护中的关键技术,提升工业设备的运行安全与效率。

weixin_29186249的博客 311

摩尔定律是什么?

摩尔定律指出集成电路性能每18-24个月翻倍而成本下降,推动了信息技术数十年发展。但随着晶体管逼近物理极限,工艺升级成本剧增,传统定律已趋失效。目前产业通过多核架构、AI芯片、3D封装等技术延续性能提升,并探索量子计算等新方向。

tymnxye的博客 910

SMPTE ST 2110 概论(一)

SMPTE ST 2110 概论(一)前言ST 2110与ST 2022-6ST 2110-10:基本结构与时序ST 2110-20:未压缩的视频流后续 前言 这是一份我在实习期间制作的,关于SMPTE ST 2110的简单介绍。 这篇文章主要以梳理总结 SMPTE ST 2110 的概念为主,关于具体的内容,比如IP数据报的格式、RTP时间戳的具体代码内容等等,大家可以查阅 SMPTE ST 2...

Cidd0422的博客 2万+

Steger算法(Line_Gauss)-光条中心线提取(基于Hessian矩阵)

Steger算法(Line_Gauss)-光条中心线提取(基于Hessian矩阵)算法背景介绍Hessian 矩阵与泰勒多项式关于求t导数与中心点、亚像素点高斯函数作用文献 算法背景介绍 在线结构光视觉传感器中,由线激光器发射出的线结构光,在本质上为一个连续且具有一定厚度的空间光平面,而在目标表面上所形成的具有一定宽度的光条特征,即为该光平面与目标表面相交而成的交线。在该空间光平面的厚度方向上,光强近似服从高斯分布,因而在摄像机采集到的光条图像中,在沿着光条宽度的方向或光条的法线方向上,其灰度也会呈现出类似

jiangxing11的博客 1万+

集成电路-摩尔定律

随着摩尔定律(IC每十八个月晶体管数量及性能增加一倍)的失效,集成电路的创新也迫在眉睫,在工艺的极限下,设计的创新是至关重要的,人才的培养及使用关系着创新的延续性,根据国家对集成电路的支持,集成电路已成为实现中国梦的基础的一部分,保持核心技术的国产化,助力产业的持续发展,创造新的摩尔定律!仅供参考!...

Micro_ET 2366

小波变换完全指南:从原理到实践的深度解析

在信号处理领域,傅里叶变换长期以来一直是频域分析的主要工具。然而,傅里叶变换存在一个根本性的局限:它只能告诉我们信号中包含哪些频率成分,却无法告诉我们这些频率成分在什么时刻出现。这就像是你知道一首歌用了哪些音符,却不知道这些音符的演奏顺序。小波变换(Wavelet Transform) 应运而生,它完美地解决了这个问题。小波变换不仅能够提供频率信息,还能同时提供时间信息,实现了信号的时频联合分析。本文将带你从零开始,深入理解小波变换的原理、实现和应用。傅里叶变换的定义如下: 它使用正弦和余弦这样的全局基函数

电脑管家 207

芯片科技科普3摩尔定律

1965年,戈登·摩尔在绘制一份发展报告的图表时,发现了一个惊人的趋势:每颗芯片所能容纳的晶体管数目大概在18-24个月就会翻一番,性能也会提升一倍。现在工艺已经逼近“极限”,工艺制程不可能无限缩小,近几年摩尔定律也已经放缓。现如今,麒麟9000采用的是5nm工艺制程,集成了153亿晶体管。之所以说是经验之谈,是因为该“定律”并非是自然科学的定律,而是戈登·摩尔经过长期观察所总结出来的经验。芯片种类越多、功能越强大,就越让人忍不住好奇:一颗芯片究竟是如何“披荆斩棘、打磨棱角”来到我们面前的?

Spring9286的博客 701

【LAMMPS学习】八、基础知识(4.5)TIP5P水模型

​ 五点 TIP5P 刚性水模型通过添加两个通常无质量的附加位点 L 来扩展three-point TIP3P model,其中放置与氧原子相关的电荷。这些位点 L 位于距氧原子固定距离处,形成从 HOH 平面旋转 90 度的四面角。因此,这些位点在某种程度上近似于氧的孤对,从而改善了水结构,与four-point TIP4P model相比变得更加“四面体”。

荷塘阅色 1421

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

一文讲清楚 黄仁勋到底牛在哪?

黄仁勋是一位美籍华裔大佬,1993年就创办了NVIDIA,也就是大家熟知的英伟达。如今,这家公司已经成为全球最大的显卡芯片制造商,真是对整个世界有着不小的影响力。2001年,他在《财富》杂志评选的“40岁以下最富有的40人”中,名列第12。到了2024年5月,黄仁勋的资产总额已经超过1000亿美元,而到了2024年10月7日,他的个人财富更是达到了1090亿美元,令人佩服,排在全球富豪榜第13。黄仁勋这个人啊,低调得很!作为全球顶尖的华人之一,在国内却鲜有人了解他的奋斗历程。

no2454410的博客 5516

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

「硅仙人」吉姆 · 凯勒

芯片业界传奇人物的「凡尔赛」方式也是与众不同的。机器之心报道,编辑:泽南、张倩。从英特尔离职半年后,半导体业界传奇人物、「硅仙人」吉姆 · 凯勒(Jim Keller)加盟了加拿大多伦多的 AI 芯片初创公司 Tenstorrent 任 CTO。对于大众来说,他就像一个传奇,以电气工程学士学位的身份在遍地博士的半导体行业走到了常人难以企及的位置,而且所到之处几乎都会掀起一场变革。Jim Keller 的职业生涯开始于 DEC,他在那里从事 Alpha 处理器的设计工作,之后在 AMD 工作了两年,推出 K7

luoganttcc的博客 2985

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

芯片工艺的5nm和7nm是怎么来的?揭开芯片工艺和摩尔定律背后的“秘密”

1:摩尔定律1965年,硅谷传奇,仙童“八叛徒”之一,英特尔原首席执行官和荣誉主席,伟大的规律发现者戈登·摩尔正在准备一个关于计算机存储器发展趋势的报告。在他开始绘制数据时,发现了一个惊人...

weixin_42905573的博客 5333

芯片破壁者(六.上):摩尔定律的一次次“惊险”续命

1965年,《电子》杂志在创刊35周年之际,邀请时任仙童半导体公司研究开发实验室主任的摩尔,为其撰写一篇观察评论,预测微芯片工业的前景。此时,全球半导体产业才刚刚萌芽,英特尔公司都尚未成...

脑极体 847

进军亚纳米时代!FinFET之后,摩尔定律如何延续

前言一切从摩尔当年吹的一个牛逼说起。摩尔定律(Moore's law)是由英特尔创始人之一戈登·摩尔提出的。其内容为:集成电路上可容纳的晶体管数目,约每隔两年便会增加一倍;经常被...

graymount的博客 2879

2018-3-28 摩尔定律

来源:学会通讯详情http://dl.ccf.org.cn/institude/institudeDetail?id=3744263133546496摘要:摩尔定律是半导体业界中广为人知的定律,是与物理、技术、创新和经济紧密相关的一个定律,是半导体业界的一个预言。本文介绍了摩尔定律的起源背后的故事。关键词:集成电路摩尔定律在人类所有的发明创造中,20世纪中期晶体管和集成电路(Integrated ...

luolang_103的博客 6840

《芯片改变世界-钱纲著》快速阅读

前言 今天在图书馆找书时,发现新上架了一本书,如下图。那就随便翻翻看一下。 豆瓣上有这样的评论 值得推荐的科普读物,书从半导体的发明、到集成电路、芯片一路说起,并产生无数改变世界的产品。芯片从垂直式设计与制造一条龙,到ARM、 台积电、中芯国际的出现,为芯片设计授权、设计与制造分工铺平了道路,改变了世界格局。 半导体的科学家、发明家是伟大的,如基尔比、诺伊斯、摩尔等,还有一些优秀的企业,如贝尔实验室、德州仪器、仙童、英特尔、ARM、台积电、中芯国际等,他们都在推动人类前进的脚步。 世界无疑在进步,但在

杰之行的博客 1656

「人物」打破摩尔定律的传奇人物 专访NV黄仁勋

打破摩尔定律的传奇人物 专访NV黄仁勋CNET中国·ZOL 【原创】 作者:中关村在线 洛风 2006年06月20日 08:41 ·ZOL专访NVIDIA创始人黄仁勋  与篮坛传奇巨星迈克尔.乔丹同年同月同日生、38岁便荣登美国《财富》杂志、创业十年后成为行业领导者……6月16日,一位拥有颇不平凡人生经历的美籍华人在中国大饭店接受了包括ZOL在内的中国媒体采访,他就是被称为“IT飞人”的N

4Q的专栏 1835

摩尔定律真的要终结了吗?

《摩尔定律已死,半导体行业发展会停滞吗?》、《摩尔定律这次真的到头了! 》、《存在 50 年的摩尔定律正在失灵?》……近年来,关于摩尔定律即将走向尽头的报道简直数不胜数,各方专家也纷纷发言表态,支持这一说法。如此看来,这一科技界的铁律真的没有继续生存下去的空间了吗? 正当我们为之疑惑叹息之时,计算技术界突然传来了一个好消息:科学家已将晶体管制程从 14 nm缩减到了 1 nm!这样,同样体积的芯片

abcdefgo167的博客 1838

芯片设计演进:从摩尔定律到软件驱动与异构集成的工程实践

摩尔定律作为半导体行业的核心驱动力,描述了单位成本下计算能力的持续指数级增长。其本质是工程创新与市场需求动态平衡的结果,而非单纯的物理极限。当平面工艺遇到瓶颈时,FinFET等三维晶体管结构通过增强栅极控制能力,有效解决了漏电问题,延续了工艺微缩。这一过程催生了芯片设计范式的深刻变革:软件已成为贯穿设计全流程的关键,从架构探索、功能验证到物理实现,大量工作依赖于编程和算法。同时,随着工艺节点演进,设计制造协同和可测试性变得至关重要,DFT和DFM团队规模显著增长。面对先进节点成本上升的挑战,行业正转向Chi

weixin_27808545的博客 458

戈登·摩尔:摩尔定律的提出者与半导体时代的奠基人

《计算机名人堂》第十六篇:戈登·摩尔

Code_流苏:在代码中寻诗意,在实践中觅真知 2185
上一篇: CVPR历年文集
下一篇: Gartner发布2017年新兴科技技术成熟度曲线
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值