La seule miniaturisation des transistors et des composants ne suffit plus à faire progresser les performances des semi-conducteurs. Alors que la demande en capacités de calcul liées à l’intelligence artificielle augmente, les matériaux utilisés dans la fabrication deviennent un facteur déterminant pour établir si certaines nouvelles architectures sont réalisables, et non plus seulement un intrant choisi après la finalisation de la conception de la puce.
C’est la principale conclusion d’une analyse publiée par Semiconductor Engineering le 17 septembre 2026, sous la plume de Hideaki Okamoto, directeur du développement commercial de nouvelle génération chez Mitsubishi Chemical Group. Publié dans la rubrique Sponsor Blog, l’article reflète également une perspective industrielle liée au secteur des matériaux. Ses conclusions doivent donc être lues comme une analyse des tendances du secteur, et non comme l’annonce d’un produit spécifique.
De l’expérimentation répétée à la recherche computationnelle
Traditionnellement, le développement des matériaux reposait sur la fabrication d’un échantillon, puis sur l’évaluation de ses propriétés et l’analyse des résultats, avant de répéter le cycle. La fabrication d’un seul candidat peut prendre des semaines lorsque le matériau est complexe, ce qui rend l’exploration d’un grand nombre d’alternatives lente et coûteuse.
L’augmentation de la puissance de calcul modifie l’ordre de ce processus. La simulation peut précéder la fabrication réelle et aider les chercheurs à identifier les candidats qui méritent d’être testés en laboratoire. Avec l’amélioration des modèles, des bases de données propriétaires et des ressources informatiques, il devient possible d’examiner un éventail plus large d’options et d’identifier des domaines de performance que les approches traditionnelles pourraient ne pas révéler.
La valeur de cette approche ne se limite pas à trouver une version améliorée d’un matériau existant. Elle peut aussi révéler rapidement qu’une amélioration progressive n’atteindra pas l’objectif recherché, permettant ainsi d’abandonner une voie improductive et d’orienter les ressources vers une solution radicalement différente. L’article décrit une transition progressive : les calculs sont d’abord utilisés comme outil d’aide, puis pour effectuer une sélection avant l’expérimentation, ensuite pour un filtrage à grande échelle, jusqu’à l’utilisation de l’intelligence artificielle dans le développement des matériaux.
Le problème ne réside pas uniquement dans le matériau
Les matériaux destinés aux nœuds de fabrication avancés doivent satisfaire à de multiples exigences, parfois contradictoires, notamment en matière de performances électriques, de comportement thermique, de propriétés mécaniques, de pureté, de compatibilité avec les procédés de fabrication et de capacité à être produits en grandes quantités. C’est pourquoi l’analyse estime que l’expérimentation et l’erreur ne suffiront plus à elles seules, compte tenu de l’élargissement de l’espace des possibilités.
Les calculs ne résolvent toutefois pas le problème à eux seuls. Le matériau doit fonctionner dans le cadre d’un procédé de dépôt donné, interagir correctement avec les couches voisines et contribuer à l’obtention des propriétés du dispositif final. Selon l’article, le développement des semi-conducteurs passe donc d’une relation linéaire entre un fournisseur et un client à une collaboration plus approfondie entre les fabricants de dispositifs, les entreprises d’équipements et les fournisseurs de matériaux.
La collaboration précoce permet aux parties d’accéder à des connaissances pratiques qui ne figurent généralement pas dans les spécifications officielles, comme les interactions entre les procédés, les compromis et les contraintes découvertes par les ingénieurs au cours du travail commun. Ce modèle exige toutefois également d’allouer davantage de ressources plus tôt, au lieu d’augmenter progressivement les investissements à mesure que les risques techniques diminuent.
Où le besoin de nouveaux matériaux se manifeste-t-il ?
L’analyse fournit plusieurs exemples de domaines dans lesquels les exigences des nouveaux systèmes pourraient entraîner des transitions matérielles. Dans les architectures à pas très fin, la poursuite de la miniaturisation des dispositifs pourrait nécessiter le développement de nouveaux précurseurs pour le dépôt de couches minces, en combinant conception moléculaire, criblage computationnel et expertise des procédés. Le passage des procédés humides aux procédés secs est présenté comme un exemple de cette interaction.
Dans les systèmes d’intelligence artificielle, le déplacement des données lui-même devient une contrainte pour les performances et la consommation d’énergie. À mesure que les vitesses des signaux électriques augmentent, le besoin de solutions optiques s’accroît, notamment de circuits optiques et d’interconnexions photoniques. L’article évoque des possibilités concernant des matériaux transparents pour guides d’ondes optiques et des matériaux optoélectroniques organiques capables de convertir les signaux à grande vitesse, tout en soulignant la nécessité d’équilibrer les performances optiques, la fabricabilité et la fiabilité.
Dans l’électronique de puissance, la consommation énergétique des centres de données renforce l’importance d’une conversion de l’énergie plus efficace. Le nitrure de gallium (GaN) offre notamment la possibilité d’une résistance à l’état passant plus faible, d’un fonctionnement à haute tension et de pertes énergétiques réduites par rapport aux solutions traditionnelles fondées sur le silicium. Toutefois, la concrétisation de ces avantages à grande échelle nécessite des substrats de GaN de haute qualité et économiquement efficaces, ainsi que des procédés évolutifs.
Qu’est-ce qui change concrètement ?
Le message le plus important pour le lecteur technique est que les matériaux interviennent de plus en plus au stade de la définition de l’architecture du système, au lieu de constituer simplement un élément ultérieur de la chaîne de fabrication. Cela accroît l’importance des données expérimentales accumulées, car les modèles computationnels et l’intelligence artificielle ne peuvent pas facilement compenser un manque de données fiables. Cela fait également de la collaboration entre les acteurs de la chaîne de valeur un élément des capacités techniques et stratégiques, et non plus un simple accord d’approvisionnement.
La source ne fournit toutefois pas de résultats quantitatifs ni d’exemples de matériaux effectivement parvenus à la production commerciale grâce à ces méthodologies. Elle ne précise pas non plus les calendriers, les coûts ou les obstacles réglementaires propres à chaque voie. La conclusion certaine reste donc que le secteur s’oriente vers l’intégration de la simulation, des données et de la collaboration précoce, tandis que la rapidité avec laquelle ces idées passeront du laboratoire à la fabrication à grande échelle demeure une question ouverte.
Lecture de certi.news : ce qui change réellement, ce n’est pas le remplacement du laboratoire par l’ordinateur, mais la redistribution du travail entre les deux. La simulation peut réduire le nombre d’expériences peu prometteuses, mais la fabricabilité et la compatibilité entre le matériau, les équipements et les couches voisines devront toujours faire l’objet d’une validation pratique. Si la thèse de l’article se confirme, les entreprises qui disposent de données de haute qualité sur les matériaux et participent tôt aux feuilles de route du développement des puces seront mieux placées pour détecter les contraintes avant qu’elles ne deviennent un obstacle à la conception ou à la production.