DIGITIMES - 椽经阁

如何设计低耗能、高功效深度学习網絡(二)

延续深度学习網絡精简设计的主题，为了符合商业价值（特别是边缘计算的庞大机会），我们必须在正确率不打折的情况下，设计出兼具低运算复杂度、低耗电、低参数量的智能算法。目前的设计原则是将「冗余」的运算予以精简。原因是近来很多研究显示目前的深度学习網絡设计中夹杂了冗余的参数以及运算。这些庞大运算由何而来，可以参考前文。依照这几年的研究，我们将其整理为四种精简设计策略，在本文中先介绍其中两种。

3nm的竞争—三星的多桥通道场效晶體管

三星在5月刚开过的代工论坛中宣布了3nm的工艺，从原来的鳍式场效晶體管（FinFET）改为多桥通道场效晶體管（Multi-Bridge-Channel FET；MBCFET）。这是闸极全环场效晶體管（Gate-All-Around FET；GAAFET）的一种，不是新创举，但是现在元件物理严苛的要求让其实施的必要性成熟了。

如何设计低耗能、高功效深度学习網絡(一)

目前智能应用的普及来自近年机器学习技术的精进，其中最大的突破在于深度学习網絡。给予适当的类神经網絡架构以及足够的训练數據下，在各种智能应用中都有突破性的发展。而付出的代价则是庞大的参数模型以及运算量。举例来说，常用的深度学习網絡参数大约数百（千）万个（浮点）参数，每次推论运算约需数个G-FLOPs，可以想像对于运算资源的需求十分庞大。

半导体制程的关键变化：FinFET制程已经看到尽头了？(之三)

回顾过去早期的130nm~28nm时代，半导体制程以材料创新为主，包括铜制程、Low-k与HK/MG的材料变化。但近期的28nm~10mm時代，以3D的FinFET及2D的FD-SOI的结构性改善为主，而未来的7nm~3nm则以导入EUV来进行工程上的微细化，至于未来的3nm之后，则有待材料、结构的同步创新，且难度更高。无论是GAA、Nano-wire或FinFET with SOI，成本也都将会是天价。

半导体成国之大事　政府做法和角色宜调整

韓國的半导体政策4月正式出炉，擘划的是由今至2030年长达10年的国家政策和执行方法。主要的目标是建立代工和设计的生态圈，成为全世界第一。投入的资源包括政策、税收、资金、教育与人力资源、硏发、建立公共平臺、创造产业需求以及公共工程采购等，动员的规模比之美国的量子信息計劃有过之而无不及。

晶圆代工这个行业的门槛「高不可攀」(之二)

根据WSTS的调查，2018年全球晶圆代工市场为653亿美元，臺积电以342亿美元(市占率52.4%)领先群雄，其次为三星的104亿美元(15.9%)。但进入2019年第一季时，三星市占率快速挺进到19%，而臺积电却跌到48%。是三星打了强心针，还是臺积电因为季节性调整或材料出错所导致的呢？

中美贸易大战背后的晶圆代工世纪之争(之一)

2018年总额653亿美元的晶圆代工市场，也是移動通信大厂、5G与车联网往上游延伸，发挥整合战力的主战场。过去谁能最有效率的生产，谁就可能是赢家。但在川普一声雷之后，臺积电往左往右备受关注，也让臺湾因缘际会的成为被关注的焦点。

二维材料于场效晶體管的应用

场效晶體管(Field Effect Transistor；FET)的核心是通道(channel)，材料是半导体。它的一边接源极(source)，一边接汲极(drain)，这两个是场效晶體管中载子(carrier)的来处与去处。通道上有一层绝缘体，之上还有闸极(gate)，用来控制晶體管开关。当闸极施加电压，底下的半导体变成导体，电流从源极流到汲极，这时处于「开」的状况。电压移去后，晶體管就回复「关」的状况，这是半导体的ABC——控制，电子线路一切都是关于控制。

autoML自动化深度学习網絡设计可行吗？

机器学习(深度学习为其中一分支)技术成为各产业智能化的核心能力，但是算法的设计复杂，需要专业知识与经验，对于好的人才，需求远大于供给。为了弥补这个空缺，这几年自动化机器学习工具(autoML)新研究兴起，希望有自动化的系统，在给定问题(通常是标记的數據)之后可以自动生成机器(深度)学习算法。在信息理论上，这是非常复杂的问题，需要大量运算资源，所以极具挑战。

脑机界面以及语音合成

脑机界面（Brain Machine Interface；BMI）开发迄今有15年了，最近有令人兴奋的进展：将神经活动解译成语音。这是基础科研以及医疗界的携手进展，而下一步—或长或短—或将要连动电子业了。