此外，在苹果工作了近三年的高级工程师Mike Filippo已入职微软担任首席架构师，负责Azure服务器芯片的开发。
半导体领域又开始了一轮高管跳槽潮。
我们先来看看被挖角的苹果架构总监Jeff Wilcox。这次英特尔从苹果挖来的是其M1芯片产品的总设计师，他从2013年就加入苹果，迄今为止已经在苹果有9年的工作经验。
在Jeff Wilcox工作的九年时间里，他负责过苹果T2安全芯片以及M1系列处理器的开发，在他的带领下，苹果电脑芯片实现了历代提升和革新，简单来说，Jeff Wilcox是苹果芯片，甚至可以说是苹果电脑幕后的技术支柱。
但我们仔细看Jeff Wilcox的履历，Jeff Wilcox最早在英特尔工作，当了三年的PC芯片组领导架构师，之后被苹果挖走。因此，很多人对Jeff Wilcox的跳槽评价为是一种“回归”。
实际上，同样被英特尔挖走的AMD首席独立GPU架构师Rohit Verma也曾在英特尔工作，本次也是“二进宫”。1999-2013年期间，他在英特尔担任首席SoC架构师14年之久。
自2013年加入AMD工作后，在其八年的职业生涯中从事的项目涵盖台式机和笔记本电脑的独立显卡以及涉及CPU、GPU、结构、电源管理和安全性更广泛的SoC架构设计。
有趣的是，Verma与现任英特尔首席执行官 Pat Gelsinger 的生涯重叠度相当高。1979年，18岁的Gelsinger加入英特尔担任质量控制技术员。当 Verma 于 1999 年在英特尔开始他的职业生涯时，Gelsinger 已担任英特尔台式机产品事业部总经理，并于 2001 年成为英特尔的首位CTO。
可以看出，在最近的高管离职中，被英特尔收入囊中的高管与英特尔都有千丝万缕的关系。
当2021年Pat Gelsinger作为新任CEO重返英特尔，英特尔便开启了进击的时期，频频从其他公司挖角大牛，尤其是曾经与其共事过的“老团队”。
在Linkedin上，Rohit Verma也发消息称，对自己重返英特尔感到兴奋。
除去“回归”本家外，公司未来规划的变动释放出的机会也成为吸引高管的重要原因。
微软正在加速布局云计算服务器和Surface设备开发定制芯片，在其招聘岗位中放出了SoC架构总监的招聘信息。
在苹果工作近三年的Mike Filippo入职微软，担任首席架构师，负责Azure服务器芯片的开发。
我们翻阅Mike Filippo的履历。在其加入苹果前，他在ARM担任首席CPU架构师、首席系统架构师和ARM Fellow，负责开发Cortex-A76、Cortex-A72、Cortex-A57以及即将推出的7nm+和5nm芯片，他还在AMD和英特尔分别工作了8年、5年。
实际上，除了公司高管，半导体领域曾因布局元宇宙而掀起过挖人浪潮。
微软的AR团队，在过去的一年里也流失了100余名员工，他们当中约70人原属于HoloLens团队，其中又有40人跳槽到Meta，包括前HoloLens用户反馈主管查理·汉(Charlie Han)、前HoloLens演示团队成员约什·米勒(Josh Miller)等。
苹果也是被挖角的重点地区，接连失去M1处理器研发高管、自动驾驶 汽车 团队高管、甚至在2021年被Meta挖走100多名前苹果员工。
为了应对这种情况，避免被Meta等竞争公司抢走更多人才，苹果公司向部分工程师和软件部门的工作人员提供了一笔股票福利。这笔额外收入的金额从5万至18万美元（约合人民币32万元-114万元）不等，它们将以限制性股票形式发放，限制期为4年。苹果借此希望减少资深员工跳槽。
在谷歌，如何留住员工成了首席执行官桑达尔·皮查伊每周高管会议的讨论议题。同时，谷歌还开始向员工提供额外的股票奖励，避免人才被人挖走。
但有时候钞能力不是万能的，至少对于高管来说并不是。前英特尔硬件负责人和首席工程师Venkata Renduchintala博士在宣布离职前，其年度总薪酬约为2688万美元，是英特尔公司内部薪酬最高的高管之一。
在英特尔的官方公告中，由于Renduchintala领导的TSCG小组将拆分为5个小组，小组领导者直接向CEO汇报工作，这些变化使得Renduchintala离职。
此前，谷歌副总裁苏罗吉特就离职去了最大的虚拟货币交易公司Coinbase，成为该公司的首席产品官。目前Coinbase上市，苏罗吉特在该公司的股权价值已超过6亿美元（约合人民币38亿元）。
对于半导体产业来说，高管的多次跳槽算不上是一件坏事。
当年的仙童“八叛徒”，在离开仙童后，诺伊斯带着戈登·摩尔与工艺开发专家安迪·格鲁夫创立了英特尔；仙童销售部门主任杰里·桑德斯带着几名员工创立了AMD半导体公司；克莱纳创办了 KPCB 风险投资；瓦伦丁创立了国家半导体公司，之后又成立了红杉资本。
在 1970 年前后的半导体浪潮中，可以说大部分半导体公司都起源于仙童半导体公司。这一批半导体公司可以说是奠定了硅谷的 科技 基础。
面对“八叛徒”的纷纷离去，苹果公司前CEO乔布斯做了一个形象的比喻：“仙童半导体公司就像个成熟了的蒲公英，你一吹它，这种创业精神的种子就随风四处飘扬了。”
而AMD Zen架构之父的吉姆·凯勒也先后在AMD、英特尔和特斯拉担任高管，多次跳槽以寻求新的挑战。
铁打的高管，流水的大厂。人是整个产业的核心，中国半导体产业受政策和资本的驱动，现在正是好光景。半导体人才的待遇普遍显著提升，对于吸引人才更有优势。
在高管的跳槽潮中，有一个值得注意的消息。原英伟达高管杨超源正式加入国产GPU厂商壁仞 科技 ，任副总裁兼董事长特别助理。
杨超源曾在英伟达、台积电工作，在英伟达任职期间，他负责架构设计、研发、流片和团队管理，在上海组建了英伟达在美国总部之外的首个海外研发中心，并担任英伟达上海总经理。
巨头高管加入国产厂商无疑是一个极好的风向，这意味着中国国内半导体厂商的吸引力在增加。如今的中国半导体正在从拿来主义过渡到真正的自我创新，这一过程需要研发投入的坚持，也需要对人才培养的重视。
在瞄准半导体发展的坚定目标下，我们期待越来越多的巨头高管加入国产厂商。
原子层沉积 (Atomic layer deposition，ALD) 是一种高度可控的薄膜合成工艺，可制造出只有一个原子厚的薄膜。广泛应用于计算机芯片、太阳能电池、锂电池等领域。很多企业常用 ALD 来制造半导体器件。ALD 的灵活性和多样性给确定工艺参数带来了重大挑战，但仍需要专家的直觉和耗时的反复试验来确定最佳工艺参数。
最近，来自美国能源部（DOE）阿贡国家实验室的研究人员 描述了多种基于 AI 的方法来自动优化 ALD 工艺。详细说明了每种方法的相对优势和劣势，以及可用于更有效、更经济地开发新流程的见解。
该研究以《用于优化原子层沉积的智能代理》「 Intelligent Agents for the Optimization of Atomic Layer Deposition 」为题发表在《 ACS Appl. Mater. Interfaces 》杂志上。
前沿，但也面临挑战
ALD是一种工艺，通过前驱体蒸气和基板表面之间的一系列自限反应，在基板上沉积原子厚度的均匀薄膜。ALD 可访问大量的元素和化合物目录，元素周期表中超过一半的元素在出现在ALD过程中。
ALD 擅长在复杂的 3D 表面上生长精确的纳米级薄膜，例如在硅晶片上形成图案的深而窄的沟槽，以制造当今的计算机芯片。 这促进了科学家为下一代半导体器件开发新的薄膜 ALD 材料。
然而，开发和优化这些新的 ALD 工艺是具有挑战性和劳动密集型的。研究人员必须考虑许多可以改变这一过程的不同因素，包括：分子前体之间的复杂化学反应；反应器设计、温度和压力；前驱体剂量和吹扫时间。
为了找到克服这些挑战的方法，阿贡科学家评估了 三种新型优化策略 ：(a)随机选择气体时间；(b) 基于高斯过程代理模型的贝叶斯优化 (BO)，以及 (c) 基于规则的专家系统方法，利用人类策略和物理直觉。值得注意的是， 后两种使用不同的 AI 方法，且以前从未应用于 ALD。
Table 1 列出了该研究的四种ALD 工艺模型：Al2O3 在 200 下使用三甲基铝 (TMA) 和 H2O，Al2O3 在 100 下使用 TMA 和 H2O，W 在 200 下使用六氟化钨 (WF6) 和乙硅烷 (Si2H6)，TiO2 使用钛 (IV) 异丙醇 (TTIP) 和 200 下的 H2O。
敏感性分析
在比较所有四种ALD工艺模型的三种优化策略之前， 了解关键超参数对成本函数和优化性能的影响非常重要。 可确保在平等的基础上比较优化策略。以在 200 下生产 Al2O3 薄膜为例，研究ALD 系统的效果。
专家系统方法对关键超参数的值很敏感。 首先，专家系统策略需要指定一组起始时间。尝试了多种分配初始时序的方法，包括使用统一时序（所有时序相同）和随机时序（时序在优化边界之间随机初始化）。 探索 发现统一的初步计时产生了可靠的性能。
此外， 专家系统优化策略对给定时序所采用的重复 ALD 周期数也很敏感。 相比之下， 贝叶斯优化策略对采用的重复次数相对不敏感。
优化策略比较
研究人员通过比较他们如何优化 ALD 中使用的两种前驱体的剂量和清洗时间来评估他们的三种策略。加药时间(dosage time）是指前体加入反应器的时间，而吹扫时间是指去除多余的前体和气态化学产品所需的时间。
目标： 找到可以在最短的时间内实现高且稳定的薄膜生长的条件。 科学家们还使用代表反应堆内 ALD 过程的模拟来判断他们收敛到理想时间集的速度策略。
将他们的优化方法与模拟系统联系起来，让他们能够根据优化算法生成的处理条件，在每个循环后实时测量薄膜的生长情况。
研究人员比较了四种 ALD 工艺的三种优化策略的性能。通过比较了 Al2O3 薄膜在 200 C 下0.1%和10%噪声水平下生长的优化策略性能。研究表明： 在这两个噪声水平上，贝叶斯优化的性能最好，其次是专家系统，然后是低测量噪声的随机策略，高测量噪声的反向策略。
除了考虑给定优化算法在接近一组最优 ALD 时序时的效率之外，实际考虑也很重要，例如 CVD 类型生长（如果选择了不适当的低吹扫时间），从而使反应器结垢，对 ALD 反应器安全可靠运行的影响。实验表明：专家系统方法完全避免了不受控制的生长，而随机优化策略则始终对产生过量CVD型增长的条件进行采样。贝叶斯优化方法在避免大增长率方面做得更好。
研究得出： （1)随机优化(RO)在其他两种策略的优化时间质量不确定性较大的情况下表现良好，导致处理空间 探索 过程中GPC值过高。（2）贝叶斯优化（BO）可靠，性能好，不需要超参数调优。然而，在早期和后期的循环中，BO受到GPC值过高的影响。(3) 专家系统优化 (ESO) 可靠且安全，但前驱体剂量次数过于保守。
一劳永逸 （Set it and forget it）
「所有这些算法都提供了一种更快地收敛到最佳组合的方法，你不必像今天通常那样花时间将样品放入反应器中、取出样品、进行测量等。相反，你拥有实时与反应堆连接的回路。」该研究的合著者、Argonne 首席材料科学家 Angel Yanguas-Gil 说。
这种设置还通过形成一个闭环系统使两种 AI 方法的过程自动化。
尽管存在一些弱点，但人工智能方法有效地确定了不同模拟 ALD 工艺的最佳剂量和清洗时间。 这使得这项研究成为第一批表明使用 AI 可以实时优化薄膜的研究。
研究人员表示： 在未来的工作中，除了改进现有的算法外，还希望将这些方法扩展到包括反应堆温度和前驱体分压。
「这是令人兴奋的，因为它开辟了使用这些类型的方法来快速优化实际 ALD 工艺的可能性，这一步骤可能会在未来开发新应用时为制造商节省宝贵的时间和金钱。」Jeff Elam 总结道。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）