Styrkelse af amerikansk chipfremstilling – Nøglen til AI-lederskab

I de seneste uger har overskrifterne råbt om den forestående trussel og den potentielle indvirkning af amerikanske importafgifter påført halvledere. Sandt at sige, tror jeg ikke, at gennemførelsen af disse afgifter nogensinde vil ske, da de ville resultere i så stor forsyningskæde-forstyrrelse, hvis negative virkninger stadig er alt for friske i vores erindring fra COVID-19. Hvem kan glemme de titusinder af ufærdige biler, der blev stranded på bilfabrikanternes parkeringspladser. Bestemt ønsker ingen en gentagelse af det!

Det sagde, tror jeg, at det stadig er til amerikanske virksomheders og den amerikanske økonomis fordel at blive mere robuste og selvstændige på området for halvlederfremstilling, og jeg bifalder disse bestræbelser. Her skal vi undersøge, hvorfor denne selvstændighed er så vigtig, især i forhold til USA’s evne til at fastholde sin (i øjeblikket smalle) lederskab i statens kunstig intelligens (AI).

AI-kapløbet er i sin kerne et chip-kapløb

Halvledere er afgørende for at drive serverne, der træner AI-modeller, da træningen af disse modeller kræver en specialiseret styrke, som kun halvledere (i modsætning til traditionelle processorer) kan levere. Det estimeres, at ved årets udgang vil AI-relaterede halvledere udgøre 19 procent af det samlede halvledermarked på verdensplan, en betydelig stigning fra de syv procent, der var i 2017.

En øget afhængighed af halvledere til AI betyder, at jo mindre USA afhænger af udenlandske enheder til halvlederforsyning, jo bedre. Da det globale AI-kapløb varmer op, tilbyder indenlandsk halvlederproduktion betydelige fordele som styrket økonomisk og national sikkerhed samt teknologisk uafhængighed. For tiden er der en lovgivning, der passerer gennem Kongressen, kaldet “Securing Semiconductor Supply Chains Act of 2025“, som har bipartisk støtte og er rettet mod at reducere afhængigheden af uforudsigelige udenlandske forsyningskæder.

Hvordan gør vi det?

Som svar på truslen om mulige amerikanske importafgifter har mange udtrykt bekymring over, at USA i sin nuværende tilstand ikke er udrustet til at håndtere den stigende efterspørgsel efter halvledere, som er drevet af generativ AI og AI-datacenter-opbygning. Virksomhedens brug af AI, såsom kodning og softwareudvikling, er særligt udsat. Enhver forstyrrelse i halvlederadgangen kan fremkalde en rippleffekt over afhængige anvendelsesområder, herunder AI og downstream-markeder som autonome køretøjer, edge-computing og robotteknologi.

USA’s evne til at drive innovation over halvleder-afhængige industrier, herunder AI, vil kræve en acceleration af materialeopdagelse. Den “gamle måde” at opdage og anvende materialer var typisk koncentreret i udenlandske fabrikker og involverede multi-step-processer som fotolitografi, ætsning, deposition og rene rum. Dette kan være en langsom og dyrek proces, der fører til lange design-cykler og betydelig materiale-spild.

For at bedre møde efterspørgslen efter halvledere på hjemmemarkedet må USA udnytte fremskridt i chip-design, en teknik som direkte lokal atomlag proces. Dette er en digital, atomisk præcis fremstillingsproces, der bygger enheder direkte fra atomer, eliminerer behovet for de mange trin, der er involveret i den traditionelle fremstillingsproces, og reducerer kompleksitet og spild. Det tilbyder en udenforliggende fleksibilitet og præcision til design og prototypering af en bred vifte af mikroenheder, herunder AI-halvledere.

Ved at aktivere atom-skala præcision og kontrol over materialebehandling kan teknologier som direkte lokal atomlag proces betydeligt accelerere design-cykler og prototypering, hvilket hjælper med at finde nye materialer eller kombinationer af materialer, der kan tilfredsstille de stadig voksende beregningsbehov for AI.

Øger indenlandsk produktion, mens vi fastholder vores engagement for miljø og menneskers sundhed

Som en yderligere (og ikke uvæsentlig) fordel kan nye teknologier også dramatisk mindske den miljømæssige indvirkning af halvlederfremstilling. Indtil nu har denne industri stået over for en alvorlig dilemma på grund af sin oversizede miljøaftryk, der bidrager betydeligt til drivhusgasemissioner, vandforbrug og kemisk affald, især giftige “altid-kemikalier” kendt som PFAS. Disse kemikalier forurener vand, bryder ikke ned og forbliver i miljøet (og i mennesker!) i årtier.

Det er ingen overraskelse, at nylige føderale handlinger som Building Chips in America Act og CHIPS Act har rejst betydelige miljømæssige bekymringer. Ved at reducere den tid, der er nødvendig til at designe, prototypere og fremstille chips – og eliminere behovet for kemisk-intensive rene rum – kan nye teknologier være svaret på at tilfredsstille efterspørgsel og skala ansvarligt ved hjælp af hjemmemæssige ressourcer og uden at kompromittere med miljø og menneskers sundhed.

Udnytter USA’s kollektive ressourcer

Ud over at implementere nye fremstillingsmetoder må USA opdatere sin overordnede tilgang. Dette indebærer at bevæge sig væk fra en model, der er kraftigt udliciteret til en lille håndfuld milliarder-dollar-fabrikker, og i stedet udnytte nationens omfattende og rige arsenal af førende universiteter, startups og industrielle forsknings- og udviklingsvirksomheder til at samarbejde, accelerere opdagelse og støtte hele “lab-to-fab”-processen (forskning, prototypering og fremstilling). Dette kan opnås, mens omkostningerne holdes i check, og enable-teknologier integreres direkte i disse organisationers infrastrukturer.

At se fremad

Forholdet mellem AI og halvledere er sandelig symbiotisk. Som vi har nævnt, er halvledere afgørende for at drive serverne, der træner AI-modeller; på den anden side accelererer AI betydeligt opdagelsen af halvledermaterialer ved at bruge maskinlæring til at forudsige egenskaberne hos nye materialer og accelerere designprocessen. Denne tilgang, kendt som invers materiale-design, giver forskerne mulighed for at designe materialer med specifikke målrettede egenskaber, såsom forbedret ledningsevne, energoeffektivitet og bæredygtighed.

At accelerere opdagelsen af nye materialer er en af de største udfordringer i halvlederfremstilling, selvom det er særligt krævende for AI-halvledere, da industrien søger at konstant drive op beregningskraft, effektivitet og hastighed, mens chip-størrelsen reduceres.

Mens AI kan bruges til at forudsige egenskaberne hos nye, teoretiske materialer, er disse gennembrud traditionelt stadig begrænsede af den langsomme pace af fysisk validering. Nye teknologier kan bruges til at støtte høj-gennemstrømnings-eksperimenter, hvilket hjælper med at lukke gapet; enable hurtigere, mere målrettet materialeudvikling og ultimativt låse op for den næste generation af materialer. Ved at kombinere nye teknologier som direkte atomlag proces med AI’s kraft har det mulighed for at gøre magi, dramatisk accelerere udviklingen af gennembrud, der aldrig før var tænkt muligt, alt sammen centraliseret inden for USA’s egne nationale grænser.