A redução dos transistores e dos componentes, por si só, já não é suficiente para impulsionar o desempenho dos semicondutores. Com o aumento da demanda por capacidades de computação associadas à inteligência artificial, os materiais utilizados na fabricação tornaram-se um fator que determina se algumas novas arquiteturas são viáveis, e não apenas um insumo escolhido depois que o projeto do chip foi definido.
Essa é a principal conclusão de uma análise publicada pela Semiconductor Engineering em 17 de setembro de 2026, de autoria de Hideaki Okamoto, diretor da divisão de desenvolvimento de negócios de próxima geração do Mitsubishi Chemical Group. Como material publicado na seção Sponsor Blog, o artigo também reflete uma perspectiva industrial associada ao setor de materiais; por isso, suas conclusões devem ser lidas como uma análise das tendências do setor, e não como um anúncio de um produto específico.
Da experimentação repetitiva à pesquisa computacional
Tradicionalmente, o desenvolvimento de materiais baseava-se na fabricação de uma amostra, seguida pelo teste de suas propriedades e pela análise dos resultados, antes de repetir o ciclo. A fabricação de um único candidato pode levar semanas quando o material é complexo, o que torna a exploração de um grande número de alternativas lenta e cara.
O aumento da capacidade computacional altera a ordem desse processo. As simulações podem preceder a fabricação efetiva, ajudando os pesquisadores a identificar os candidatos que merecem ser testados em laboratório. Com o aprimoramento dos modelos, dos bancos de dados proprietários e dos recursos computacionais, torna-se possível examinar uma gama mais ampla de opções e identificar espaços de desempenho que talvez não fossem revelados pelas tentativas tradicionais.
O valor dessa abordagem não se limita a encontrar uma versão aprimorada de um material existente. Ela também pode revelar antecipadamente que melhorias graduais não alcançarão o objetivo desejado, permitindo abandonar uma trajetória improdutiva e direcionar os recursos para uma solução radicalmente diferente. O artigo descreve uma transição gradual do uso dos cálculos como ferramenta auxiliar para a triagem antes do experimento, depois para a triagem em larga escala e, por fim, para o uso da inteligência artificial no desenvolvimento de materiais.
O problema não está apenas no material
Os materiais para nós de fabricação avançados precisam atender a condições múltiplas e, às vezes, conflitantes, incluindo desempenho elétrico, comportamento térmico, propriedades mecânicas, pureza, compatibilidade com os processos de fabricação e capacidade de produção em grandes volumes. Por isso, a análise considera que tentativa e erro, sozinhos, não serão suficientes à medida que o espaço de possibilidades se amplia.
Mas os cálculos não resolvem o problema de forma isolada. O material precisa funcionar dentro de um processo de deposição específico, interagir corretamente com as camadas adjacentes e contribuir para alcançar as propriedades do dispositivo final. Assim, segundo o artigo, o desenvolvimento de semicondutores passa de uma relação linear entre fornecedor e cliente para uma colaboração mais profunda entre fabricantes de dispositivos, empresas de equipamentos e fornecedores de materiais.
A colaboração antecipada permite que as partes tenham acesso a conhecimentos práticos que normalmente não aparecem nas especificações formais, como as interações entre processos, os compromissos e as limitações descobertos pelos engenheiros durante o trabalho conjunto. No entanto, esse modelo também exige a alocação de mais recursos em uma etapa mais inicial, em vez de aumentar gradualmente o investimento à medida que os riscos técnicos diminuem.
Onde surge a necessidade de novos materiais?
A análise apresenta vários exemplos de áreas nas quais as exigências de novos sistemas podem impulsionar transições de materiais. Em arquiteturas com espaçamentos reduzidos, a continuidade da miniaturização dos dispositivos pode exigir o desenvolvimento de novos precursores para a deposição de filmes finos, combinando projeto molecular, triagem computacional e experiência em processos. A transição de processos úmidos para processos secos é destacada como um exemplo dessa interseção.
Nos sistemas de inteligência artificial, o próprio movimento de dados se transforma em uma limitação para o desempenho e o consumo de energia. Com o aumento das velocidades dos sinais elétricos, cresce a necessidade de soluções ópticas, incluindo circuitos ópticos e interconexões fotônicas. O artigo aponta oportunidades para materiais transparentes de guias de onda ópticos e materiais optoeletrônicos orgânicos capazes de converter sinais em altas velocidades, com a necessidade de equilibrar desempenho óptico, capacidade de fabricação e confiabilidade.
Na eletrônica de potência, o consumo de energia dos data centers aumenta a importância da conversão de energia com maior eficiência. O nitreto de gálio (GaN) oferece possibilidades que incluem menor resistência de condução, operação em alta tensão e menor perda de energia em comparação com as soluções tradicionais baseadas em silício. Porém, a concretização dessas vantagens em larga escala exige substratos de GaN de alta qualidade e custo eficiente, além de processos escaláveis.
O que muda na prática?
A mensagem mais importante para o leitor técnico é que os materiais entram cada vez mais na etapa de definição da arquitetura do sistema, em vez de serem apenas um elemento posterior na cadeia de fabricação. Isso aumenta a importância dos dados experimentais acumulados, porque modelos computacionais e inteligência artificial não conseguem compensar facilmente a falta de dados confiáveis. Também faz da colaboração entre as partes da cadeia de valor um componente da capacidade técnica e estratégica, e não apenas um acordo de fornecimento.
Contudo, a fonte não apresenta resultados quantitativos nem exemplos de materiais que tenham chegado efetivamente à produção comercial por meio dessas metodologias. Também não especifica cronogramas, custos ou obstáculos regulatórios para cada trajetória. Portanto, a conclusão comprovada permanece sendo a tendência do setor de integrar simulação, dados e colaboração antecipada, enquanto a velocidade de transferência dessas ideias do laboratório para a fabricação em larga escala continua sendo uma questão em aberto.
Leitura da certi.news: o que realmente muda não é a substituição do laboratório pelo computador, mas a redistribuição do trabalho entre ambos. A simulação pode reduzir o número de experimentos pouco promissores, mas a capacidade de fabricação e a compatibilidade entre o material, os equipamentos e as camadas adjacentes ainda precisarão de validação prática. Se a tese do artigo estiver correta, as empresas que dispõem de dados de materiais de alta qualidade e participam desde cedo dos mapas de desenvolvimento dos chips estarão em melhor posição para descobrir as limitações antes que elas se transformem em obstáculos no projeto ou na produção.