来源：内容由半导体行业观察（ID：icbank）编译自「
eetimes
」，
作者：汤之上隆
，谢谢。
过去几年，因为厂商的推动，Chiplet这个概念已经深入民心。在本文中，我们将首先讨论什么是“Chiplet”、为什么需要“Chiplet”？而且会参考上文提到的西尾先生的演讲内容（已经得到西尾先生的许可）。此外，本文还会介绍TSMC、三星电子、英特尔在此次的IEDM上发布了何种尖端封装技术。最后，展望未来，论述含有“Chiplet”的尖端封装技术能否牵引摩尔定律继续前进。
在此次的IEDM的短课程（Short Cause）上，三星电子的SE-Ho You先生做了题目为“From Package-Level to Wafer-Level Integration”的演讲，且展示了“Chiplet”的未来形象。（如下图1）
图1：“Chiplet”是什么？出自：SE-Ho You (Samsung), “From Package-Level to Wafer-Level Integration”, IEDM2020, SC1。
之前，用一个科技节点（Technology Node）可以制造出含CPU、GPU、调制解调器、SRAM、Serdes／DDR等功能的SoC（System on Chip）。
按照功能的不同，分别利用最合适的技术节点来制造。如图1的右侧所示，用Node A生产GPU、用Node B生产CPU、用Node C生产Serdes／DDR、用Node C生产SRAM，即分别在不同的晶圆上生产，集合（Integration）以上这些功能，并汇集在一颗芯片上。
如上所述，通过连接由单独的晶圆制造的芯片，形成具有某一功能的SoC技术就是“Chiplet”的概念。
那么，为什么“Chiplet”越来越重要呢？其原因在于尖端半导体需要处理的数据量成指数级增长。
下图2出自2020年8月13日在线举行的“Intel Architecture Day 2020”的资料，显示了人类创造的数据量的推移。从图2可以看出，2020年的数据量超过50ZB（Zettabyte，十万亿亿字节，10
21
）,预计2025年将会扩大至175ZB。
图2：人类创造的数据量。（图片出自：Intel Architecture Day 2020的资料）
为了处理这样庞大的数据量，所以人工智能（AI）半导体市场急剧扩大（如下图3）。据预测，2020年的市场规模将超过100亿美元（约人民币646.48亿元），2027年将会达到833亿美元（约人民币5,381.18亿元）。
图3：AI半导体市场规模推移（2019年以后为预测值）。（图片出自：Artificial Intelligence Chip Market）
AI半导体的用途主要有以下：智能手机、平板电脑、音响、可穿戴设备、企业边缘(Enterprise Edge)等（如下图4）。AI的最大用途方向在于智能手机，据预测，2020年的规模为5亿美元（约人民币32.3亿元），2024年翻至2020年的两倍，达到10亿美元（约人民币64.6亿元）。另一方面，企业边缘的市场规模虽然不及智能手机，但2024年的市场规模为2020年（市场规模为0.5亿美元，约人民币3.23亿元）的5倍，增至2.5亿美元（约人民币16.15亿元）。
图4：各种方向的AI半导体市场（预测值）。（图片出自：MarketsandMarkets）
如今的4G智能手机已经搭载了NPU（Neural Processing Unit）这一AI应用处理器（AP，Application Processor），未来，随着5G手机的普及，占据NPU性能、AP的空间会越来越大。因此，智能手机方向的AI市场也会出现增长。
此外，随着5G的普及，云计算市场就像金字塔一样，AI市场定会迅速扩大。即，在各种5G通信设备附近都设有搭载了AI的边缘计算（Edge Computing，此处包含“企业边缘”）进行高速运算处理，其上面一层为“雾计算（Fog Computing）”、再上一层为“云计算（Cloud Computing）”。
如上所述，由于大数据规模的扩大，带动处理大数据的AI半导体市场增长，到底什么样的AI半导体会成为主流呢---这是经常变化的（下图5）。在2017年，NVIDIA的GPU席卷全球，市场份额达到97%，据预测，到2025年GPU市占率会下滑至40%甚至更低，而ASIC的市占率会达到50%。
图5：AI半导体种类的变化（预测）。（图片出自：McKinsey）
换句话说，由于普通GPU（GPGPU：General-purpose computing on graphics processing units）的处理性能不足，因此出现了诸多专用AI半导体（如智能手机专用、无人驾驶汽车专用、边缘计算机专用），且占一半以上份额。
但是，即使是ASIC AI，要处理逐年不断增长的大数据也是十分困难的。据预测，仅靠提高芯片本身的性能已经无法同时满足AI半导体的高速处理、节能、成本优势等目标。
在2020年9月17日-18日召开的The Second AI HW Summit上，英特尔指出，AI半导体处理的数据量每3.5个月扩大两倍、每年扩大约10倍、每两年扩大64-100倍。（如下图6）
图6：AI处理的数据量每3.5个月扩大两倍，每两年扩大64-100倍。（图片出自：MOOR Insights and Strategy, AI Hardware: Harder Than It Looks）
作为ASIC（或者SoC）的AI半导体能否处理以上这些成指数级增长的数据量？下图7是2018年版的IRDS（International Roadmap for Devices and systems）登载的SoC的CPU、GPU核数、CPU吐出量（处理能力）。
图7：SoC的核数、CPU的吐出量。（图片出自：IRDS2018）
2020年SoC中的CPU核数为13，GPU为27个，到2031年，CPU增至95个（7.3倍）、GPU增至97个（3.6倍）。其中，CPU的吐出量在2020年为0.32 TFLOPS/sec、2031年将会增为2.64 TFLOPS/sec，增长了8.25倍。但是，这是不考虑因发热问题而产生的速度下降问题，如果因发热而导致速度下降，2031年的吐出量仅为0.95 TFLOPS/sec，增长约3倍。
所谓的“TFLOPS/sec”指的是“tera floating-point operations per second”的缩略，是表示计算机处理能力的单位，tera为1兆，FLOPS为每秒浮点计算次数。因此，1 TFLOPS为浮点每秒计算一兆次。
那么，从2020年到2031年，SoC中的CPU核数将增长7.3倍，增至95个，如果不考虑因发热引起的速度低下问题，CPU的预测速度将提高8.25倍，提高至2.64 TFLOPS/sec。因此，预计在2031年登场的SoC AI半导体与2020年相比，其计算能力将会提高60倍=7.3*8.25。
但是，AI半导体处理的数据量如上图6英特尔所展示的一样，在两年内增长64-100倍，即使是最小值64倍，在2031年将会达到10亿倍（2020年的64的五次方），仅靠增加核数、提高各核的吐出量，处理能力还是不足。
与持续增长的数据量形成对比，SoC AI半导体的处理能力完全不足。但是，为了提高处理能力，只能增加SoC的核数、持续扩大各核的吐出量。因此需要进一步提高微缩化（Scaling）。但是，随之而来的高昂的晶圆成本又是一大问题。
下图8是2020年VLSI座谈会上的演讲内容，AMD的Samuel Naffziger先生发表了名为“Chiplet Meets The Real World -- Benefits and Limits of Chiplet Designs”的演讲，同时展示了微缩化与芯片成本的关系。
图8：微缩化与芯片成本的增长。（图片出自：Samuel Naffziger (AMD), “Chiplet Meets The Real World -- Benefits and Limits of Chiplet Designs ”, VLSI2020, Short Course 2-1.）
如果把利用45纳米节点生产的芯片成本看做“1”，随着微缩化发展，芯片成本也增长，5纳米节点下的成本为45纳米节点的五倍。从图8可以看出，14纳米/16纳米节点以后，图表呈现急剧增长趋势，此处应该是采用了EUV（极紫外光刻）技术。
微缩化照此发展下去，芯片成本势必会增长，即便如此，为了提高AI半导体的处理能力，TSMC、三星电子都在发展微缩化。此外，虽然必须要增加核数，但其成本的增长会远远超过微缩化花费的成本。然而，能解决以上问题的方案就是“Chiplet”。
下图9是用于AMD服务器的处理器“EPYC”。“EPYC”是拥有32核的CPU，如果用一颗芯片来做的话，就会像图9左边一样，芯片面积达到777mm
2
。按照Chiplet的方法来处理这颗大型芯片的话，就会像图9右侧一样生成四份，再连接。分成四份后各个芯片的面积为213mm
2
,213*4=852mm
2
，比分割之前更大，即使把多出的面积去掉也比分割前更有优势。（下图10进行说明）
图9:将32核的处理器分为四份的AMD的EPYC。（图片出自：Greg Yeric, arm community, “Three Dimensions in 3DIC - Part I”, April 2, 2018）
下图10的横轴为芯片面积，纵轴为良率，蓝色线条可以看做是量产初期时的良率（缺陷密度为1个/cm
2
），另一方面，橙色线条可以看做是改善了量产工艺后稳定生产时的良率（缺陷密度为0.22个/cm
2
）。
图10：芯片面积和良率的关系。（图片出自：Greg Yeric, arm community, “Three Dimensions in 3DIC - Part I”, April 2, 2018）
那么，用一颗芯片生产EPYC的情况下，量产初期的良率仅有4%，即使优化工艺流程，良率也仅为26%。
而被分为四份的EPYC（213mm
2
）在量产初期的良率为21%，优化工艺流程、生产稳定时的良率达到了59%，即，分割后的芯片的量产初期良率是分割前的5.3倍，稳定时的良率是分割前的2.3倍。
在这种条件下，1颗晶圆可以做出多少个EPYC呢，在下图11中进行说明。用一颗面积为777mm
2
的芯片来生产EPYC的话，一颗晶圆可生产出约69颗芯片，由于生产稳定时的良率为26%，因此实际可获得的芯片数量为69*26%=17颗。
另一方面，分成四份后的芯片面积为213mm
2
，那么一颗晶圆可产出273个芯片，假如生产稳定时的良率为59%，可获得的芯片数量为273*59%=161个。由于四个组成一个芯片，因此实际可做出161/4=40个EPYC。
图11：芯片面积与从晶圆上获得的数量。（图片出自：Greg Yeric, arm community, “Three Dimensions in 3DIC - Part I”, April 2, 2018）
综上所述，用一个芯片（777mm
2
）来做的话，实际获得的EPYC数量为17个，而分割为四份的话，可以多做出2.4倍的EPYC。反过来说，通过四分芯片，EPYC的成本也会降低1/2.4。
通过分割芯片来提高良率，结果降低了单颗芯片的成本。这是Chiplet的优势之一，不过Chiplet的优势不限于以上。
下图12是AMD的第一代、第二代EPYC（用于服务器的处理器）的比较图。第一代EPYC采用的是由4个14纳米的芯片组成；在第二代中，橙色为用7纳米制作的“处理器8芯”，蓝色为用14纳米制作的Input/Output（IO）芯片，将以上这些安装在Interposer上，就制成了用于EPYC的处理器。
图12：第一代EPYC和第二代EPYC的区别。（图片出自：SE-Ho You (Samsung), “From Package-Level to Wafer-Level Integration”, IEDM2020, SC1）
要求最高的处理器采用了2019年当时最先进的7纳米工艺，而I/O使用的不是那么尖端的14纳米，即不同的芯片选择使用不同的合适工艺节点。
而三星的厉害“绝技”在下图1，不使用Chiplet的情况下，如图1左侧所示，整个芯片必须由同一个技术节点制造。就利害而言，芯片面积越大，良率越低，那么单颗芯片的成本也就越高（如上文所述）。除此之外，为了在同一个Mask上配置CPU、GPU、调制解调器、SRAM、Serdes/DDR，需要将精密的图案与粗略的图案混合，使制造工艺更复杂。
另一方面，在图1的右侧，各个产品都是按照其自身的功能来选择合适的节点生产的，如GPU采用A节点、CPU采用B节点、SRAM采用C节点、I/O采用D节点，然后将它们安装在一个Interposer 上。各种半导体模组就像乐高积木一样堆叠在一起。
Chiplet拥有以上优势。通过有序地配置CPU、GPU、DRAM等产品，从而进一步提高SoC AI的处理能力。
用HBM（High Bandwidth Memory）实现高速化
下图13是搭载了GDDR5规格DRAM的传统SoC和搭载了纵向压层的HBM（High Bandwidth Memory，用TSV连接GDDR5）的SoC的比较图。通过利用HBM,纵向缩短了1.6倍、横向缩短了2倍、面积缩短了3倍。即，DRAM和SoC的合计占用面积为1/3。可以说这也是是灵活运用Chiplet的一个事例。
图13：搭载了HBM（High Bandwidth Memory）的SoC。（图片出自：Greg Yeric, arm community, “Three Dimensions in 3DIC - Part I”, April 2, 2018）
下图14是搭载了HBM（High Bandwidth Memory）的SoC的断面图，用TSV连接的DRAM经由逻辑芯片和Interposer，与SoC相连接。在需要高速处理的SoC的旁边配有HBM，因此诞生了可以迅速传输数据的存储半导体。
图14：配置有HBM（High Bandwidth Memory）的SoC的断面图。（图片出自：Greg Yeric, arm community, “Three Dimensions in 3DIC - Part I”, April 2, 2018）
下图15是GDDR5和HBM 的Bus Width、Clock Speed、Bandwidth、动作Voltage的比较图。GDDR5的Bus Width为32比特，HBM是其32倍，为1,024比特。结果，GDDR5的时钟频率（Clock Rate）为1,750MHz，HBM为500MHz，GDDR5的一颗芯片的Bandwidth为25GB/s，HBM的一个Block为100GB/s，是前者的4倍。
图15：HBM（High Bandwidth Memory）的带宽大小。（图片出自：Greg Yeric, arm community, “Three Dimensions in 3DIC - Part I”, April 2, 2018）
总之，一个GDDR5就相当于在单行道上高速行驶的卡车，因此可传输的数据量是有限的，HBM的情况下，相当于四辆行驶在四车道上的卡车，一次传输的数据量也是前者的四倍。
如果运用HBM可以较好地使用Chiplet的话，那么SoC AI也可以高速运行。终于解释清楚了什么是Chiplet以及其存储半导体。那么，在IEDM上，英特尔、三星、TSMC分别发布了什么呢？
英特尔的Ravi Mahajan先生在“Advanced Packaging Technologies for Heterogeneous Integration（HI）”上，对尖端封装进行了说明（如下图16）。就Embedded Multi-Die Interconnect Bridge（EMIB）而言，分割处理器核（Processor Core）并生产以后，经由Interposer，再集成（Integration）、制成芯片。此外，就Foveros而言，经由TSV压层不同的芯片，制成一颗芯片。最后获得由EMIB和Foveros组合的Co-EMIB。
图16：英特尔的3D封装（EMIB、Foveros、Co-EMIB）。（图片出自：Ravi Mahajan (Intel), “Advanced Packaging Technologies for Heterogeneous Integration (HI)”, IEDM2020, Tutorial2.）
下图17是三星电子的SE-Ho You先生在From Package-Level to Wafer-Level Integration上发布的资料。X-Cube指的是用TSV压层不同的芯片，可以说相当于英特尔的Foveros。此外，经由Interposer连接了不同的芯片的I-Cube与英特尔的EMIB类似。此外，组合了X-Cube和I-Cube的X/I-Cube与英特尔的Co-EMIB非常类似。
笔者虽然不知道是三星电子还是英特尔率先研发了以上成果，但可以断言二者是非常类似的。
图17：三星的3D封装（X-Cube、I-Cube、X/I-Cube）。（图片出自：SE-Ho You (Samsung), “From Package-Level to Wafer-Level Integration”, IEDM2020, SC1）
TSMC比三星、英特尔更早地采用了Chiplet的封装方法。TSMC的KC Yee先生在IEDM的“Advanced 3D System Integration Technologies”上回顾了过去十年间Chiplet的历史。（下图18）
图18：TSMC在IEDM上公布的Chiplet。（图片出自：KC Yee (TSMC), “Advanced 3D System Integration Technologies”, IEDM2020, SC1）
图18的上半部分是被称为CoWoS（Chip-on-Wafer-on-Substrate）的Chiplet技术，2011年被应用于Xilinx的FPGA。后来，又被应用于NVIDIA的GPU、AMD的CPU。
此外，图18的下半部分是一种不使用TSV、经由Interposer连接芯片的Chiplet技术，被称为InFO（Integrated Fan-Out）。图18上虽然没有注明，苹果手机的处理器中采用了InFO技术。（下图19）
图19：TSMC的用于智能手机的3DSI（3D System Integration）。（图片出自：KC Yee (TSMC), “Advanced 3D System Integration Technologies”, IEDM2020, SC1）
TSMC将此项技术命名为“3DSI（3D System Integration）”，也适用于高性能计算（High Performance Computing）方向的CoWoS（下图20）。即，图19 和图20中出现的SoIC是“System on Integrated Chips using frontend 3D stacking process”的略称，是以3D方式来堆叠芯片的技术。
从以上可得知，TSMC在Chiplet尖端封装技术领域有十年的经验，领先于英特尔和三星。
采用ASML制造的最尖端的EUV曝光设备，TSMC和三星才得以按照5纳米、4纳米、3纳米、1纳米的进程发展微缩化，但是，要提高AI半导体（用以解决成指数级增长的大数据）的处理能力，进靠增加核数、微缩化来提高核的吐出量还远远不够。此外，提高微缩化、增加核数都会产生高昂成本。
为解决以上问题，必须要研发采用了Chiplet的尖端封装技术，因此，TSMC、英特尔、三星都已经开始研发尖端封装技术。如今，TSMC的尖端封装技术领先于其他公司，半导体行业没有固定的标准，可谓是百花齐放、百家争鸣。
基于以上情况，采用的Chiplet的尖端封装技术也许没有像IRDS那样的技术蓝图。因此，我们很难预测未来会出现什么技术。
比方说，在此次的IEDM上，在TSMC的发布结束后，CEA Leti的C.Fenouillet-Beranger先生在“3D sequential integration: Opportunities, Breakthrough and Challenge”上提出了一项非常有意思的尖端封装技术的概念。（如下图21）
图21:3D 3D System Integration的未来。（图片出自：C.Fenouillet-Beranger (CEA Leti), “3D sequential integration: Opportunities, Breakthrough and Challenges”, IEDM2020, SC1）
当下，如图21的左边所示，融合存储半导体（HBM）、各种逻辑半导体并安装在一颗Interoser上，构筑SoC。下一个阶段是利用TSV将存储半导体和多个逻辑半导体纵向堆叠，合成一颗芯片。而且，在最后阶段，会在存储半导体内部连续嵌入多个逻辑半导体，即所谓的堆叠式“3D sequential”。
因此，牵引未来摩尔定律的不是微缩化（虽然微缩化已经做出了很大的贡献），而是采用了Chiplet的尖端封装技术。
此外，2月9日TSMC公布说要在日本筑波市建设半导体后段工序的研发据点，期待能够采用日本的材料、创造出先进的3D封装技术。
即使先进封装方式继续发展，如果当下的数字存储半导体、数字逻辑半导体无法适用的话，如下图22所示，就需要转为Neuromorphic Computing、Analog Computing、Quantum Computing等。
图22：AI处理技术进步的趋势。（图片出自：：MOOR Insights and Strategy, AI Hardware: Harder Than It Looks）
也许在五年后的2025年前后最新的智能手机会搭载Neuromorphic（作为大脑型计算机而被研发的），此外，在2030年前后，也许量子计算机会被搭载到最新型的PC上。
假设以上皆为可能，人类第一步要走的是消灭新冠肺炎，继续勤洗手、勤漱口、佩戴口罩，期待疫苗发挥良效。
★ 点击文末
【阅读原文】
，可查看本文原文链接！
*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。
今天是《半导体行业观察》为您分享的第2601内容，欢迎关注。
『
半导体第一垂直媒体
』
实时 专业 原创 深度
识别二维码
，回复下方关键词，阅读更多
晶圆｜IC
｜射频｜集成电路｜美国｜苹果｜华为｜模拟芯片
回复
投稿
，看《如何成为“半导体行业观察”的一员 》
回复
搜索
，还能轻松找到其他你感兴趣的文章！
