DIGITIMES - 椽經閣

3nm的競爭—三星的多橋通道場效電晶體

三星在5月剛開過的代工論壇中宣佈了3nm的工藝，從原來的鰭式場效電晶體（FinFET）改為多橋通道場效電晶體（Multi-Bridge-Channel FET；MBCFET）。這是閘極全環場效電晶體（Gate-All-Around FET；GAAFET）的一種，不是新創舉，但是現在元件物理嚴苛的要求讓其實施的必要性成熟了。

如何設計低耗能、高功效深度學習網路(一)

目前智能應用的普及來自近年機器學習技術的精進，其中最大的突破在於深度學習網路。給予適當的類神經網路架構以及足夠的訓練資料下，在各種智能應用中都有突破性的發展。而付出的代價則是龐大的參數模型以及運算量。舉例來說，常用的深度學習網路參數大約數百（千）萬個（浮點）參數，每次推論運算約需數個G-FLOPs，可以想像對於運算資源的需求十分龐大。

半導體製程的關鍵變化：FinFET製程已經看到盡頭了？(之三)

回顧過去早期的130nm~28nm時代，半導體製程以材料創新為主，包括銅製程、Low-k與HK/MG的材料變化。但近期的28nm~10mm世代，以3D的FinFET及2D的FD-SOI的結構性改善為主，而未來的7nm~3nm則以導入EUV來進行工程上的微細化，至於未來的3nm之後，則有待材料、結構的同步創新，且難度更高。無論是GAA、Nano-wire或FinFET with SOI，成本也都將會是天價。

半導體成國之大事　政府做法和角色宜調整

南韓的半導體政策4月正式出爐，擘劃的是由今至2030年長達10年的國家政策和執行方法。主要的目標是建立代工和設計的生態圈，成為全世界第一。投入的資源包括政策、稅收、資金、教育與人力資源、硏發、建立公共平台、創造產業需求以及公共工程採購等，動員的規模比之美國的量子信息計畫有過之而無不及。

晶圓代工這個行業的門檻「高不可攀」(之二)

根據WSTS的調查，2018年全球晶圓代工市場為653億美元，台積電以342億美元(市佔率52.4%)領先群雄，其次為三星的104億美元(15.9%)。但進入2019年第一季時，三星市佔率快速挺進到19%，而台積電卻跌到48%。是三星打了強心針，還是台積電因為季節性調整或材料出錯所導致的呢？

中美貿易大戰背後的晶圓代工世紀之爭(之一)

2018年總額653億美元的晶圓代工市場，也是行動通信大廠、5G與車聯網往上游延伸，發揮整合戰力的主戰場。過去誰能最有效率的生產，誰就可能是贏家。但在川普一聲雷之後，台積電往左往右備受關注，也讓台灣因緣際會的成為被關注的焦點。

二維材料於場效電晶體的應用

場效電晶體(Field Effect Transistor；FET)的核心是通道(channel)，材料是半導體。它的一邊接源極(source)，一邊接汲極(drain)，這兩個是場效電晶體中載子(carrier)的來處與去處。通道上有一層絕緣體，之上還有閘極(gate)，用來控制電晶體開關。當閘極施加電壓，底下的半導體變成導體，電流從源極流到汲極，這時處於「開」的狀況。電壓移去後，電晶體就回復「關」的狀況，這是半導體的ABC——控制，電子線路一切都是關於控制。

autoML自動化深度學習網路設計可行嗎？

機器學習(深度學習為其中一分支)技術成為各產業智慧化的核心能力，但是算法的設計複雜，需要專業知識與經驗，對於好的人才，需求遠大於供給。為了彌補這個空缺，這幾年自動化機器學習工具(autoML)新研究興起，希望有自動化的系統，在給定問題(通常是標記的資料)之後可以自動生成機器(深度)學習算法。在資訊理論上，這是非常複雜的問題，需要大量運算資源，所以極具挑戰。

腦機界面以及語音合成

腦機界面（Brain Machine Interface；BMI）開發迄今有15年了，最近有令人興奮的進展：將神經活動解譯成語音。這是基礎科研以及醫療界的攜手進展，而下一步—或長或短—或將要連動電子業了。

智慧硬體擴張為生態系

硬體產業如何擴張？怎樣跨足到毛利相對高的軟體或是新興產業？這是台灣許多資通訊業所關心的議題。似乎不少人選擇跨足到與本業不同的全新領域，但這是唯一做法嗎？