Naarmate transistoren steeds kleiner worden, worden de kanalen waardoor ze stroom geleiden steeds smaller, waardoor het voortdurende gebruik van materialen met een hoge elektronenmobiliteit vereist is. Tweedimensionale materialen zoals molybdeendisulfide zijn ideaal voor een hoge elektronenmobiliteit, maar wanneer ze onderling verbonden zijn met metaaldraden, wordt er een Schottky-barrière gevormd op het contactgrensvlak, een fenomeen dat de ladingsstroom remt.
In mei 2021 bevestigde een gezamenlijk onderzoeksteam onder leiding van het Massachusetts Institute of Technology en waaraan TSMC en anderen deelnamen, dat het gebruik van halfmetaalbismut in combinatie met de juiste opstelling tussen de twee materialen de contactweerstand tussen de draad en het apparaat kan verminderen. , waardoor dit probleem wordt geëlimineerd. , waardoor de enorme uitdagingen van halfgeleiders onder de 1 nanometer kunnen worden aangepakt.
Het MIT-team ontdekte dat het combineren van elektroden met halfmetaalbismut op een tweedimensionaal materiaal de weerstand aanzienlijk kan verminderen en de transmissiestroom kan verhogen. De technische onderzoeksafdeling van TSMC optimaliseerde vervolgens het bismutdepositieproces. Ten slotte gebruikte het team van de National Taiwan University een "heliumionenstraallithografiesysteem" om het componentkanaal met succes terug te brengen tot nanometergrootte.
Na gebruik van bismut als sleutelstructuur van de contactelektrode zijn de prestaties van de tweedimensionale materiaaltransistor niet alleen vergelijkbaar met die van op silicium gebaseerde halfgeleiders, maar ook compatibel met de huidige mainstream op silicium gebaseerde procestechnologie, die zal helpen om in de toekomst de grenzen van de wet van Moore te doorbreken. Deze technologische doorbraak zal het grootste probleem oplossen van tweedimensionale halfgeleiders die de industrie betreden en is een belangrijke mijlpaal voor geïntegreerde schakelingen om vooruitgang te blijven boeken in het post-Moore-tijdperk.
Bovendien is het gebruik van computationele materiaalkunde om nieuwe algoritmen te ontwikkelen om de ontdekking van meer nieuwe materialen te versnellen ook een hotspot in de huidige ontwikkeling van materialen. In januari 2021 publiceerde het Ames Laboratory van het Amerikaanse ministerie van Energie bijvoorbeeld een artikel over het "Cuckoo Search" -algoritme in het tijdschrift "Natural Computing Science". Dit nieuwe algoritme kan zoeken naar legeringen met een hoge entropie. tijd van weken tot seconden. Het machine learning-algoritme ontwikkeld door Sandia National Laboratory in de Verenigde Staten is 40.000 keer sneller dan gewone methoden, waardoor de ontwerpcyclus van materiaaltechnologie met bijna een jaar wordt verkort. In april 2021 ontwikkelden onderzoekers van de Universiteit van Liverpool in het Verenigd Koninkrijk een robot die onafhankelijk binnen 8 dagen chemische reactieroutes kan ontwerpen, 688 experimenten kan voltooien en een efficiënte katalysator kan vinden om de fotokatalytische prestaties van polymeren te verbeteren.
Het duurt maanden om het handmatig te doen. De Universiteit van Osaka, Japan, gebruikte 1.200 fotovoltaïsche celmaterialen als trainingsdatabase, bestudeerde de relatie tussen de structuur van polymeermaterialen en foto-elektrische inductie door middel van machine learning-algoritmen, en screende met succes de structuur van verbindingen met potentiële toepassingen binnen 1 minuut. Traditionele methoden vereisen 5 tot 6 jaar.
Posttijd: 11 augustus 2022