米国半導体製造の強化 – AIリーダーシップの鍵

過去数週間、ヘッドラインは、米国への半導体の輸入関税が課せられる可能性と、その潜在的な影響について叫んでいた。正直に言えば、関税の実施は、供給チェーンに大きな混乱をもたらすため、実現するとは思わない。新型コロナウイルスからまだ記憶に新しい、ひどい影響が残っている。誰もが、自動車メーカーの駐車場に残された、数千台の未完成の車を忘れたことはない。車誰もそのようなことが再発することを望んでいないはずだ。

それでも、米国のビジネスと米国経済全体が、半導体製造の分野でより堅牢で自給自足になることが重要だと考えている。ここでは、そのような自給自足がなぜ重要か、特に米国の先進的な人工知能（AI）リーダーシップを維持する能力について調べてみる。

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る。AIモデルをトレーニングするには、半導体（従来のプロセッサではなく）だけが提供できる特別な力が必要である。今年末までに、AI関連の半導体は、世界中の半導体市場の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に半導体を使用することの増加は、米国が外国からの半導体供給に頼ることが少ないほど良い。世界的なAIレースが加速する中、国内の半導体生産は、経済的および国家的安全保障、技術的独立性など、多くの利点をもたらす。現在、米国議会では、「セキュアセミコンダクターサプライチェーン法」という法案が提出されており、外国からの供給チェーンへの依存を減らすことを目的としている。

どうやって実現するのか

米国の輸入関税の可能性に対して、多くの人々が、米国は現在、半導体の需要を満たすために十分な準備ができていないと懸念を表明している。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推進される半導体需要の急増に対応することができないと言われている。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ると、AIや自動運転車、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全体に波及効果をもたらす可能性がある。

米国の半導体依存産業、特にAIの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。「古い方法」の材料発見と採用は、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、長い設計サイクルと多くの材料の浪費につながる可能性がある。

国内で半導体需要を満たすために、米国はチップ設計の進歩を活用する必要がある。直接ローカルアトミックレイヤープロセッシングという技術が一例である。これは、デジタルで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で必要な多くのステップを排除し、複雑さと浪費を減らす。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し、AIの計算需要を満たすために必要な新しい材料や材料の組み合わせを見つけるのに役立つ。

環境と人間の健康への取り組みを維持しながら国内製造を増やす

新しい技術には、環境への影響を大幅に減らすという追加の利点もある。現在まで、半導体製造業は、温室効果ガス排出、水消費、化学廃棄物、特に「永続的な化学物質」と呼ばれる有毒物質の排出により、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、分解せずに環境に残り、人体にも影響を与える。

最近の連邦政府の措置、たとえば米国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。新しい技術により、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活用し、環境と人間の健康を損なうことなく、半導体を製造できる。

米国の集約的なリソースを活用する

新しい製造技術を導入するだけでなく、米国はそのアプローチを更新する必要がある。これには、海外のファウンドリーへの大量のアウトソーシングから、国内の大学、スタートアップ、産業研究開発企業の包括的なリソースを活用して、協力、発見、研究開発の全プロセス（研究、プロトタイピング、製造）をサポートすることに移行することが含まれる。これは、コストを抑えながら、有効な技術を直接これらの組織のインフラストラクチャに統合することで実現できる。

今後の展望

AIと半導体の関係は、相互に補完的なものである。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している。このアプローチは、逆材料設計と呼ばれ、特定の特性（たとえば、導電性、エネルギー効率、持続可能性）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、速度を向上させながら、チップのサイズを減らすことを目指している。

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、物理的な検証の遅いペースによって従来制限されてきた。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する。直接アトミックレイヤープロセッシングのような新しい技術とAIの力を組み合わせることで、以前考えられなかったブレークスルーを大幅に加速し、米国の国境内で次世代の材料を解放することができる。