米国のチップ製造を強化する – AIリーダーシップの鍵

過去数週間、ヘッドラインは、米国の輸入関税が半導体に課せられるという潜在的な脅威と影響について叫んでいた。正直に言えば、関税の実施は供給チェーンの混乱を引き起こし、COVID-19からの悪影響がまだ鮮明に残っているため、実施されることはないと思っている。誰もが、自動車メーカーの敷地に駐車された数万台の未完成の車を忘れることはできない。確かに、誰もがそのような事態の再発を望んでいない。

ただし、米国の企業や米国経済全体が半導体製造の分野でより堅牢で自給自足できるようになることは、まだ重要であると思っている。この努力を称賛している。ここでは、特に米国の先端的な人工知能（AI）のリーダーシップを維持する能力という点で、自給自足がなぜ重要であるかを検討する。

AIレースは、基本的にチップレースである

半導体は、AIモデルをトレーニングするサーバーを動かすために不可欠であり、これらのモデルをトレーニングするには、従来のプロセッサでは提供できない特別な力が必要である。今年末までに、AI関連の半導体は、世界的な半導体市場の19パーセントを占めることが予想されており、2017年の7パーセントから大幅に増加する。

AIへの半導体の依存度が増すにつれ、米国が外国からの半導体供給に頼ることが少ないほどよい。世界的なAIレースが加熱するにつれ、国内での半導体生産は、経済的および国家的安全保障の強化、技術的独立性などの大きな利点をもたらす。現在、米国議会を通過中の「2025年半導体供給チェーンの安全保障法」という法案があり、両党の支持を得て、予測不可能な外国供給チェーンへの依存度を減らすことを目的としている。

どうすればよいか

米国の輸入関税の実施の可能性に対して、多くの人が懸念を表明しており、米国は現在、ジェネレーティブAIやAIデータセンターの構築によって急増する半導体需要に対応するために、十分な準備ができていないと考えられている。AIのビジネス利用、たとえばコーディングやソフトウェア開発は、特にリスクが高い。半導体へのアクセスが途絶えた場合、AIやエッジコンピューティング、ロボティクスなどの下流市場を含む依存アプリケーションのエリア全体に波及効果をもたらす可能性がある。

米国が半導体依存の業界、特にAIを含むイノベーションを推進するには、材料の発見を加速する必要がある。従来の材料の発見と採用は、通常、海外のファウンドリーに集中しており、フォトリソグラフィー、エッチング、堆積、クリーンルームなどの複数のステップを伴う。 このプロセスは遅く、高コストであり、設計サイクルが長く、材料の浪費が大きい。

国内で半導体需要をよりよく満たすために、米国はチップ設計の進歩を活用する必要がある。1つの技術は、直接ローカル原子層処理である。これは、デバイスを直接原子から構築するデジタル、原子レベルの精密な製造プロセスであり、従来の製造プロセスにおける多くのステップを不要にし、複雑さと浪費を削減する。幅広いマイクロデバイス、特にAI半導体の設計とプロトタイピングのための、前例のない柔軟性と精度を提供する。

原子スケールの精度と材料処理の制御を可能にする技術により、設計サイクルとプロトタイピングを大幅に加速することができ、AIの急増する計算需要を満たすことができる新しい材料や材料の組み合わせを見つけるのに役立つ。

国内製造の増加と環境および人間の健康への取り組み

新しい技術には、半導体製造の環境への影響を大幅に軽減することができるという、追加の（しかし重要な）利点もある。現在まで、この業界は、温室効果ガスの排出、水の消費、化学廃棄物、特に「永続的な化学物質」と呼ばれる有毒なPFASの大量排出によって、深刻な環境問題に直面している。これらの化学物質は水を汚染し、分解せずに環境（そして人体内）に数十年間残る。

最近の連邦政府の行動、たとえばアメリカでチップを製造する法案やCHIPS法は、重大な環境問題を引き起こしている。新しい技術は、チップの設計、プロトタイピング、製造に必要な時間を短縮し、化学物質を大量に使用するクリーンルーム環境の必要性を排除することで、需要を満たすと同時に責任を持って国内資源を使用することができる。

米国の総合的なリソースの活用

新しい製造技術を導入することに加えて、米国は全体的なアプローチを更新する必要がある。これには、重度の外国への生産のアウトソーシングから、国内の優れた大学、スタートアップ、産業の研究開発企業のネットワークを活用して、協力、発見の加速、研究開発から製造までの全プロセスのサポートを行うことが含まれる。これは、コストを抑えながら、有効な技術をこれらの組織のインフラストラクチャに直接統合することで実現可能である。

今後

AIと半導体の関係は、実際には相互依存的である。半導体は、AIモデルをトレーニングするサーバーを動かすために不可欠である。反対に、AIは、機械学習を使用して新しい材料の特性を予測し、設計プロセスを加速することで、半導体材料の発見を大幅に加速させる。逆材料設計と呼ばれるこのアプローチにより、研究者は、改善された伝導性、エネルギー効率、持続可能性などの特定のターゲット特性を持つ材料を設計することができる。

新しい材料の発見を加速することは、半導体製造で最も難しい課題の1つであり、特にAI半導体の場合、業界は計算能力、効率、速度を高めながら、チップのサイズを削減しようとしている。AIは、新しい理論的な材料の特性を予測するために使用できるが、これらのブレークスルーは従来、物理的な検証の遅いペースによって制限されてきた。新しい技術は、高スループット実験をサポートするために使用でき、ギャップを埋め、より迅速でターゲットを絞った材料開発を可能にし、最終的に次世代の材料の解放につながる。直接原子層処理などの新しい技術とAIの力を組み合わせることで、米国内で革命的なブレークスルーを実現することができる。