Quang khắc (Lithography) - Công nghệ đằng sau sự thành công của công nghiệp Silicon

Năm 1946, chiếc máy tính ENIAC ra đời, đánh dấu khởi nguyên của công nghiệp máy tính. ENIAC sử dụng hơn 17000 bóng chân không, nặng gần 27 tấn và tiêu tốn 150kW. Dĩ nhiên là nó chỉ được dùng cho con nhà có điều kiện (bộ quốc phòng Mỹ lúc bấy giờ).

Năm 1947, John Bardeen (nhà vật lý người Mỹ 2 lần đoạt giải Nobel) và các đồng nghiệp tại Bell Labs thí nghiệm thành công transitor tiếp điểm, một bước ngoặc lớn nhằm thay thế các bóng chân không cồng kềnh bằng vật liệu bán dẫn. 60 năm sau, số lượng transitor trong một chip vi tính thông thường đã lên tới đơn vị hàng tỷ, tức là xấp xỉ 1 triệu lần so với công nghệ những năm 1940. Nếu bạn cầm trong tay 1 chiếc iPhone6 (hoặc tương đương), các bạn sẽ ngạc nhiên khi thấy chúng ta đã tiến xa đến mức như thế nào qua phép so sánh sau giữa iPhone6 và máy tính trên phi thuyền Apollo 16 đưa con người lên mặt trăng năm 1972:

  • IP6 có 130000 lần số transitor trên Apollo
  • IP6 có tốc độ clock 32600 lần so với Apollo
  • IP6 có số lệnh thực thi trong mỗi giây gấp 80800000 lần Apollo
  • Tính sơ thì 1 chiếc IP6 nhanh gấp 120000000 (120 triệu) lần Apollo

Vậy phép màu này xảy ra như thế nào? Ta xem tiếp ví dụ chip esp8266 ở hình dưới:

Esp8266 sử dụng công nghệ 40nm, nghĩa là các transitor có kích thước 40nm, khoảng 1 phần 2500 bề dày của 1 tờ giấy. Đây là công nghệ của những năm 2007. Hiện nay các chip Intel đời mới nhất sử dụng công nghệ 14nm và số lượng transitor trên mỗi chip đã lên đến gần 10 tỷ. So sánh với ENIAC, đây là bước nhảy vọt khoảng 100000 lần về số lượng bóng và gần 5 triệu lần về kích thước.

Vậy làm thế nào để "in" hàng chục tỷ linh kiện bán dẫn không thể nhìn thấy bằng mắt thường trên một tấm silicon bé xíu bằng đầu ngón tay? Việc này phải dựa vào một kỹ thuật gọi là photolithography. Photo nghĩa là ánh sáng (như hạt photon). Litho nghĩa là đá trong tiếng Hy Lạp. Graphy nghĩa là khắc, vẽ (như graph - đồ thị). Nói nôm na là ta dùng ánh sáng "vẽ" lên tấm silicon. Để giải thích rõ hơn, các bạn nhìn vào cột bên trái hình phía dưới:

 

Bước đầu tiên là ta đặt 1 lớp vật liệu cản quang (màu xanh dương) lên bề mặt silicon. Tính chất vật liệu này sẽ bị thay đổi khi bị ánh sáng chiếu vào. Bước tiếp theo là ta dùng chùm ánh sáng (thông thường là tia laser) vẽ lên bề mặt của lớp cản quang, biến chúng thành vật liệu khác có màu cam. Tùy loại cảm quang, nếu là positive resist (dương kháng) thì phần bị vẽ sẽ bị ăn mòn bởi loại hóa chất tráng rửa (cột bên trái). Kế đến ta cho vào lò chân không, nung nóng kim loại đến mức bay hơi và ngưng tụ lại trên bề mặt tấm silicon (màu tím). Bước cuối cùng là loại bỏ lớp cản quang bằng một loại hóa chất chuyên biệt, chỉ để lại phần kim loại trên bề mặt silicon.

Trên thực tế thì đây là một quá trình phức tạp, và các nhà máy cần hơn một chục cỗ máy khổng lồ để chế tạo chip, có giá hơn 70 triệu Mỹ cành cho mỗi máy. Có thể nói đây chính là các cỗ máy in tiền nghĩa đen của Intel, khi mà việc cần làm là đưa tấm silicon vào để in ra các con chip Intel bé xíu với giá trên trời. 

Qua đây ta cũng đã hiểu được sự phát triển khoa học công nghệ luôn phải gắn kèm với một lợi ích kinh tế nào đó. Nếu không thì nguy cơ sạt nghiệp là rất cao, điển hình như dịch vụ codebender chẳng hạn. Đây là một bài toán quan trọng cần giải quyết sau khi các bạn đã prototyping sản phẩm của mình thành công. wink

lên
9 thành viên đã đánh giá bài viết này hữu ích.
Chuyên mục: 
Các dự án được truyền cảm hứng

Select any filter and click on Apply to see results

Các bài viết cùng tác giả

Trí thông mình nhân tạo với Watson IBM và Raspberry Pi (Phần 2): Nhận dạng khuôn mặt, giới tính và tuổi

Bài trước tui đã hướng dẫn các bạn làm quen với Watson IBM trên Raspberry Pi. Bây giờ chúng ta sẽ quay trở lại với bài toán nhận diện khuôn mặt. Trong bài khóa "thông minh" với OpenCV, dữ liệu nhận dạng khuôn mặt được đưa ra bởi một thuật toán "tĩnh" OpenCV trên laptop của các bạn và sau đó kết quả được chép thủ công vào Raspberry Pi. Raspberry chỉ việc dựa vào kết quả training và đưa ra kết quả nhận diện khuôn mặt. Đây chưa phải là giải pháp tối ưu vì giả sử bạn muốn thay đổi thuật toán mới hoặc train cho tốt hơn thì không thể thực hiện trên Pi được. Thay vậy, bạn có thể dùng dịch vụ cloud của Watson cho việc training và chỉ việc up hình lên để Watson nhận diện. Kết quả sẽ được trả về qua json với lượng thông tin phong phú hơn nhiều. 

lên
7 thành viên đã đánh giá bài viết này hữu ích.
Từ khóa: 

Áo yếm cho em - Cách làm hộp đựng (case) tiêu biểu cho con cưng Arduino

Con người còn có nhu cầu ăn diện, huống chi là "con cưng" arduino của bạn. Ngoài việc tăng tính chuyên nghiệp cho đề án của bạn, case còn là bộ giáp bảo vệ cho board mạch "mồ hôi xương máu" khỏi các tai nạn bất ngờ, đặc biệt là với việc vô tình làm đoản mạch với các dụng cụ kim loại vô tình rơi phải. Bài này tui sẽ hướng dẫn các bạn một số cách làm case tiêu biểu nha!

lên
16 thành viên đã đánh giá bài viết này hữu ích.