《Chip》首次发布中国芯片科学十大进展

5月26日，《Chip》期刊在江苏无锡举办的2023芯片大会·前沿科学论坛上首次发布了“中国芯片科学十大进展”。“《Chip》期刊发起中国芯片科学十大进展评选活动，旨在梳理、盘点我国芯片科研领域年度标志性进展，致敬和激励我国芯片工作者的科学热情和奉献精神，提升我国芯片前沿科研的大众关注度，助推芯片国产化的进程。”中国科学院院士、深圳大学校长、《Chip》期刊创刊主编毛军发介绍道。

【资料图】

《Chip》评选出的“2022中国芯片科学十大进展”包括：

1.  清华大学任天令教授团队：亚1纳米栅极长度晶体管的首次实现

清华大学任天令教授团队利用石墨烯薄膜超薄的单原子层厚度和优异的导电性能作为栅极，通过石墨烯侧向电场控制垂直的二硫化钼沟道的开关，使等效的物理栅长度降为0.34纳米，然后通过在石墨烯表面沉积金属铝并使其自然氧化，完成了对石墨烯垂直方向电场的屏蔽。此后，科研人员使用原子层沉积的二氧化铪作为栅极介质、化学气相沉积的单层二维二硫化钼作为沟道，最终完成了具有亚1纳米栅极长度的晶体管。这项工作推动了摩尔定律进一步发展到亚1纳米级别，同时为二维薄膜在未来集成电路的应用提供了参考依据。该成果发表于2022年3月9日发表在《自然》（Nature）杂志上。

成果原文：https://www.nature.com/articles/s41586-021-04323-3

2.中国科学院微电子研究所刘明院士、张锋研究员团队和北京理工大学王兴华副教授团队：基于三维阻变存储器存内计算宏芯片

中科院微电子研究所刘明院士、张锋研究员团队和北理工王兴华副教授团队合作研发了基于三维阻变存储器存内计算宏芯片。科研人员将多值自选通（Multi-level self-selective，MLSS）三维垂直阻变存储器与抗漂移多位模拟输入权值乘（ADINWM）方案相结合，实现了高密度计算；在抗漂移多位模拟输入权值乘方案基础上提出了电流幅值离散整形（CADS）电路用于增加读出电流的感知容限（SM）用于后续精确的模拟乘法计算，解决了由于三维阻变存储器阵列单元电导波动引起的在传统并行字线输入原位乘累加方案下不可恢复的读出电流失真；采用nA级操作电流的三维垂直阻变存储器阵列降低系统功耗，同时引入具有栅预充电开关跟随器（GPSF）的模拟乘法器与直接小电流模数转换器降低延时。当输入、权重和输出数据分别为8位、9位和22位时，位密度为58.2 bit/μm–2，能效为8.32 TOPS/W。与传统方法相比，本工作提供了更准确的大脑MRI边缘检测和更高的CIFAR-10数据集推理精度。 该成果于2022年7月26日发表在《自然?电子》（Nature Electronics）杂志上。

成果原文：https://www.nature.com/articles/s41928-022-00795-x

3.上海交通大学金贤敏教授团队：忆阻器玻色采样的量子优越性

上海交通大学金贤敏团队提出了一种受“忆阻器”机制所启发的新型玻色采样方案，称之为“忆阻器玻色采样” (membosonsampling)。通过循环结构，使得相同时间块内以及不同时间块间的量子干涉效应可以分别独立的记录和分析。每一个时间块都包含了n个光子及m个模式，通过多次的时间复用，实验的光子数和模式数随重复次数N线性增长。该方案成功将随机散射玻色采样（scattershot bosonsampling）与时间自由度融合，增加了总体的计算复杂度。从原理上来说，问题的规模可以拓展到无限大。该成果于2022年4月4日发表在《芯片》（Chip）杂志上。

成果原文：https://www.sciencedirect.com/science/article/pii/S2709472322000053

4.清华大学尹首一教授团队与北京清微智能科技有限公司：支持多粒度稀疏的AI训练芯片

由清华大学可重构计算团队尹首一教授组与北京清微智能科技有限公司在人工智能（AI）训练芯片方向取得突破。该团队设计的AI训练芯片Trainer，以实现场景自适应的高能效模型训练为目标，突破传统AI训练芯片学习机制和电路实现的技术局限性，为高效AI模型训练提供了坚实的硬件基础。该成果于2022年5月20日发表在集成电路领域顶级期刊IEEE Journal of Solid-State Circuits（JSSC）上。

成果原文：https://ieeexplore.ieee.org/document/9779311

5.北京大学王兴军教授团队：新型硅基光电子片上集成系统的问世

北京大学王兴军教授团队和美国加州大学科研人员合作，首次报道了由集成微腔光梳驱动的新型硅基光电子片上集成系统。研究团队通过直接由半导体激光器泵浦集成微腔光频梳，给硅基光电子集成芯片提供了所需的光源大脑，结合硅基光电子集成技术工业上成熟可靠的集成解决方案，完成大规模集成系统的高效并行化。该成果于2022年5月18日发表在《自然》（Nature）杂志上。

成果原文：https://www.nature.com/articles/s41586-022-04579-3

6.中国科学院物理研究所金奎娟研究员、葛琛研究员和杨国桢院士团队：光致VO2非易失相变的神经形态光电传感器

中国科学院物理研究所金奎娟研究员、葛琛研究员和杨国桢院士团队，提出了一种基于紫外光辐照/电解质调控VO2非易失相变的新型神经形态光电传感器，器件展现出良好的线性度、保持特性、硅基兼容性。研究团队进一步构建了人工神经网络并演示了图像识别等功能。本研究将传统红外光学材料VO2的应用拓展到紫外智能光电传感领域，为近传感器计算/传感器内计算设计提供了新选择。该成果于2022年4月1日发表在《自然?通讯》（Nature Communications）杂志上。

成果原文：https://www.nature.com/articles/s41467-022-29456-5

7.武汉理工大学麦立强教授、晏梦雨研究员团队：性能倍增的场效应储能芯片

武汉理工大学麦立强教授、晏梦雨研究员团队，提出了调制材料费米能级结构实现储能芯片性能倍增的新思路，通过设计构筑场效应储能芯片，实现了电化学工况下材料费米面梯度的原位调控和性能提升。研究表明，通过在储能材料中原位构筑梯度费米面结构，拓宽了材料的嵌入能级。施加场效应后，离子迁移速率提高10倍，材料容量提高3倍以上。此项研究解决了费米面梯度对电化学反应影响机制不明确的科学难题，实现了纳米线容量与反应电势的协同提升，填补了场效应储能芯片领域的空白，为储能芯片在物联网等领域的应用奠定了科学基础。该成果于2022年6月2日发表在Chem杂志上。

成果原文：https://www.cell.com/chem/fulltext/S2451-9294(22)00258-3

8.中国科学院合肥物质科学研究院固体物理研究所孟国文研究员和韩方明研究员团队：高性能滤波电容器

由中科院合肥研究院固体物理所孟国文教授和韩方明研究员团队，成功研发了一种新型三维碳管网格膜，将其作为双电荷层电容器（EDLC）电极，大幅提升了电容器的频率响应性能以及在相应频率下的面积比电容和体积比电容，有望作为电子器件中的高性能交流滤波电容器，为电子产品的小型化提供了新的技术路线与核心关键材料。该成果于2022年8月25日发表在《科学》（Science）杂志上。

成果原文：https://www.science.org/doi/10.1126/science.abh4380

9.复旦大学陈琳教授团队：可穿戴超低功耗可重构神经形态计算电子设备

复旦大学陈琳教授团队及其合作者，提出了一种同时具有人工突触和神经元功能的可重构神经形态网络忆阻柔性器件，可以在同一单元实现神经突触可塑性和神经元发放功能，在降低神经元电路的复杂性方面表现出明显的优势。人工突触、神经元和功能电阻被集成到一个加热纺织系统中，用于智能温度调节。超低功耗的纺织神经形态网络可以为智能物联网中大脑启发的可重构和可穿戴的神经形态计算电子设备的发展提供新方向。该成果于2022年12月2日发表在《自然?通讯》（Nature Communications）杂志上。

成果原文：https://www.nature.com/articles/s41467-022-35160-1

10.清华大学施路平教授团队：类脑计算芯片 天机X

清华大学施路平团队，设计了面向智能机器人的类脑计算芯片天机X，是全球首款面向智能机器人的类脑计算芯片，并发展了完善的软件工具链。在执行模型、芯片架构和软件工具链和机器人系统等多个层次进行了系统性创新。研制的天机X具有高算力、低功耗、低延时和跨范式多网络异步并行等优势，为边缘智能和脑科学计算提供了一个高效硬件平台和崭新路径。该成果于2022年6月15日发表在《科学机器人》（Science Robotics）杂志上。

成果原文：https://www.science.org/doi/10.1126/scirobotics.abk2948

《Chip》期刊创刊于2021年，由上海交通大学与爱思唯尔（Elsevier）集团合作出版。期刊由毛军发担任主编，上海交通大学集成量子信息技术研究中心主任、长聘教授金贤敏担任执行主编，关注集成电路、微纳光子学、凝聚态物理学、量子物理学等领域的芯片化集成化的科学研究与应用实现。据毛军发介绍，《Chip》期刊是全球唯一聚焦芯片研究的综合性国际期刊，编委来自14个国家的70多位专家。

此次评选由《Chip》期刊发起，经过数万人在线投票和《Chip》编委专家共同参与，从30项提名成果中，最终评选出十大进展。

（原标题：《Chip》首次发布中国芯片科学十大进展，含AI训练芯片）