Reducir el tamaño de los transistores y los componentes ya no basta por sí solo para impulsar el rendimiento de los semiconductores. A medida que aumenta la demanda de capacidades informáticas vinculadas con la inteligencia artificial, los materiales utilizados en la fabricación se han convertido en un factor que determina si algunas arquitecturas nuevas son siquiera viables, y no simplemente en un insumo que se elige después de fijar el diseño del chip.
Esta es la principal conclusión de un análisis publicado por Semiconductor Engineering el 17 de septiembre de 2026, escrito por Hideaki Okamoto, director de Desarrollo Empresarial de Próxima Generación en Mitsubishi Chemical Group. Al tratarse de un material publicado en la sección Sponsor Blog, el artículo también refleja una perspectiva industrial vinculada al sector de los materiales; por ello, sus conclusiones deben leerse como un análisis de las tendencias de la industria y no como un anuncio de un producto específico.
De la experimentación repetida a la investigación computacional
Tradicionalmente, el desarrollo de materiales dependía de fabricar una muestra, probar sus propiedades y analizar los resultados antes de repetir el ciclo. Fabricar un solo candidato puede llevar semanas cuando el material es complejo, lo que hace que explorar un gran número de alternativas sea lento y costoso.
El aumento de la capacidad informática está cambiando el orden de este proceso. La simulación puede preceder a la fabricación real y ayudar a los investigadores a identificar los candidatos que merecen ser sometidos a pruebas de laboratorio. A medida que mejoran los modelos, las bases de datos propias y los recursos informáticos, resulta posible examinar un espectro más amplio de opciones e identificar áreas de rendimiento que los intentos tradicionales quizá no revelarían.
El valor de este enfoque no se limita a encontrar una versión mejorada de un material existente. También puede revelar pronto que una mejora gradual no alcanzará el objetivo deseado, lo que permite abandonar una vía improductiva y dirigir los recursos hacia una solución radicalmente distinta. El artículo describe una transición gradual desde el uso de los cálculos como herramienta de apoyo hasta la evaluación previa al experimento, luego la evaluación a gran escala y, finalmente, el uso de la inteligencia artificial en el desarrollo de materiales.
El problema no reside únicamente en el material
Los materiales para nodos de fabricación avanzados deben cumplir condiciones múltiples y, en ocasiones, contradictorias, entre ellas el rendimiento eléctrico, el comportamiento térmico, las propiedades mecánicas, la pureza, la compatibilidad con los procesos de fabricación y la capacidad de producirse en grandes cantidades. Por ello, el análisis considera que el método de prueba y error por sí solo no será suficiente a medida que se amplíe el espacio de posibilidades.
Sin embargo, los cálculos no resuelven el problema por sí solos. El material debe funcionar dentro de un proceso de deposición concreto, reaccionar correctamente con las capas adyacentes y contribuir a alcanzar las propiedades del dispositivo final. Por ello, según el artículo, el desarrollo de semiconductores está pasando de una relación lineal entre proveedor y cliente a una colaboración más profunda entre fabricantes de dispositivos, empresas de equipos y proveedores de materiales.
La colaboración temprana permite a las partes acceder a conocimientos prácticos que normalmente no aparecen en las especificaciones oficiales, como las interacciones de los procesos, las compensaciones y las limitaciones que los ingenieros descubren durante el trabajo conjunto. Sin embargo, este modelo también exige asignar más recursos en una etapa más temprana, en lugar de aumentar gradualmente la inversión a medida que disminuyen los riesgos técnicos.
¿Dónde aparece la necesidad de nuevos materiales?
El análisis presenta varios ejemplos de ámbitos en los que los nuevos requisitos de los sistemas podrían impulsar transiciones en los materiales. En arquitecturas con distancias muy pequeñas, continuar reduciendo el tamaño de los dispositivos podría requerir el desarrollo de nuevos precursores para depositar películas delgadas, combinando el diseño molecular, la evaluación computacional y la experiencia en procesos. La transición de los procesos húmedos a los secos destaca como un ejemplo de esta interrelación.
En los sistemas de inteligencia artificial, el movimiento de los datos se está convirtiendo en una limitación para el rendimiento y el consumo de energía. A medida que aumentan las velocidades de las señales eléctricas, crece la necesidad de soluciones ópticas, incluidos los circuitos ópticos y las interconexiones fotónicas. El artículo señala oportunidades para materiales transparentes de guías de onda ópticas y materiales electroópticos orgánicos capaces de convertir señales a altas velocidades, aunque será necesario equilibrar el rendimiento óptico, la fabricabilidad y la fiabilidad.
En la electrónica de potencia, el aumento del consumo energético de los centros de datos incrementa la importancia de convertir la energía con mayor eficiencia. El nitruro de galio (GaN) ofrece posibilidades que incluyen una menor resistencia en conducción, funcionamiento a alto voltaje y menores pérdidas de energía en comparación con las soluciones tradicionales basadas en silicio. Sin embargo, materializar estas ventajas a gran escala requiere sustratos de GaN de alta calidad y rentables, además de procesos escalables.
¿Qué está cambiando en la práctica?
El mensaje más importante para el lector técnico es que los materiales están entrando cada vez más en la etapa de definición de la arquitectura del sistema, en lugar de ser simplemente un elemento posterior de la cadena de fabricación. Esto aumenta la importancia de los datos experimentales acumulados, porque los modelos computacionales y la inteligencia artificial no pueden compensar fácilmente la falta de datos fiables. También convierte la colaboración entre las partes de la cadena de valor en un componente de la capacidad técnica y estratégica, y no simplemente en un acuerdo de suministro.
Sin embargo, la fuente no ofrece resultados cuantitativos ni ejemplos de materiales que hayan llegado efectivamente a la producción comercial mediante estas metodologías. Tampoco especifica plazos, costos u obstáculos regulatorios para cada vía. Por tanto, la conclusión confirmada sigue siendo que la industria avanza hacia la integración de la simulación, los datos y la colaboración temprana, mientras que la velocidad con la que estas ideas pasarán del laboratorio a la fabricación a gran escala continúa siendo una cuestión abierta.
Lectura de certi.news: Lo que realmente está cambiando no es la sustitución del laboratorio por la computadora, sino la redistribución del trabajo entre ambos. La simulación puede reducir el número de experimentos poco prometedores, pero la fabricabilidad y la compatibilidad entre el material, los equipos y las capas adyacentes seguirán necesitando una validación práctica. Si la tesis del artículo es correcta, las empresas que posean datos de materiales de alta calidad y participen pronto en los mapas de desarrollo de los chips estarán mejor posicionadas para detectar las limitaciones antes de que se conviertan en un obstáculo para el diseño o la producción.