仅仅缩小晶体管和组件的尺寸，已经不足以推动半导体性能继续提升。随着对人工智能相关计算能力的需求不断增长，制造过程中使用的材料已成为决定某些新型结构是否根本可行的因素，而不再只是芯片设计确定之后才选择的一项投入。
这是Semiconductor Engineering于2026年9月17日刊登的一篇分析得出的主要结论，作者是三菱化学集团新一代业务开发部门负责人Hideaki Okamoto。作为发布在Sponsor Blog栏目中的文章，该文也反映了与材料行业相关的产业视角，因此应将其结论理解为对行业趋势的分析，而不是对某一具体产品的宣传。
从反复试验转向计算研究
传统上，材料开发依赖于制造样品、测试其特性并分析结果，然后重复这一循环。当材料较为复杂时，制造一个候选材料可能需要数周，这使得探索大量替代方案变得缓慢且成本高昂。
计算能力的提升正在改变这一流程的顺序。仿真可以先于实际制造进行，帮助研究人员确定哪些候选材料值得进行实验室测试。随着模型、专有数据库和计算资源不断改进，研究人员可以筛查更广泛的选项，并确定传统尝试可能无法揭示的性能空间。
这种方法的价值并不局限于寻找现有材料的改良版本。它还可以尽早揭示渐进式改进无法实现所需目标，从而允许放弃缺乏成效的方向，并将资源转向完全不同的解决方案。文章描述了一个逐步演进的过程：从将计算作为辅助工具，到在实验前进行筛查，再到大规模筛查，最终将人工智能用于材料开发。
问题不只在于材料本身
先进制造节点的材料需要满足多项有时相互冲突的条件，包括电气性能、热学行为、机械特性、纯度、与制造工艺的兼容性以及大规模生产能力。因此，该分析认为，随着可能性空间不断扩大，仅靠试错将不再足够。
但计算本身无法独立解决问题。材料必须在特定的沉积工艺中发挥作用，必须与相邻层正确反应，并且必须有助于实现最终器件的特性。因此，文章认为，半导体开发正在从供应商与客户之间的线性关系，转向器件制造商、设备公司和材料供应商之间更深入的协作。
早期协作使各方能够获得通常不会出现在正式规格中的实际知识，例如工艺相互作用、权衡关系以及工程师在共同工作过程中发现的限制。不过，这种模式也要求在更早阶段投入更多资源，而不是随着技术风险降低再逐步增加投资。
在哪里需要新材料？
该分析列举了多个领域，在这些领域中，新系统的要求可能推动材料发生转变。在间距极小的结构中，继续缩小器件可能需要开发用于薄膜沉积的新型前驱体材料，并将分子设计、计算筛查与工艺经验结合起来。从湿法工艺转向干法工艺，正是这种交叉融合的一个例子。
而在人工智能系统中，数据移动本身正成为性能和能耗的限制因素。随着电信号速度提高，对光学解决方案的需求也在增加，其中包括光子电路和光子互连。文章指出，透明光波导材料和能够以高速转换信号的有机电光材料存在机会，同时必须平衡光学性能、可制造性和可靠性。
在功率电子领域，数据中心能耗的增加提升了高效电能转换的重要性。与传统的硅基解决方案相比，氮化镓（GaN）具备更低导通电阻、在高电压下运行以及更低功率损耗等潜力。然而，要大规模实现这些优势，需要高质量且具备成本效益的GaN衬底，以及可扩展的工艺。
实际发生了哪些变化？
对技术读者而言，最重要的信息是，材料正越来越多地进入系统架构确定阶段，而不再只是制造链条中后置的一项要素。这提升了积累实验数据的重要性，因为计算模型和人工智能并不能轻易弥补可靠数据的不足。同时，这也使价值链各方之间的协作成为技术和战略能力的一部分，而不只是供应安排。
不过，来源并未提供使用这些方法并已实际进入商业生产的材料的定量结果或案例。它也没有为每条路径明确时间表、成本或监管障碍。因此，可以确定的结论仍是，行业正朝着整合仿真、数据和早期协作的方向发展；而这些理念从实验室转向大规模制造的速度，仍是一个开放问题。
certi.news解读：真正发生变化的并不是用计算机取代实验室，而是重新分配两者之间的工作。仿真可能减少缺乏前景的实验数量，但可制造性以及材料与设备、相邻层之间的兼容性，仍需要通过实践验证。如果文章的论点成立，那么拥有高质量材料数据并较早参与芯片开发路线图的企业，将更有可能在限制转化为设计或生产障碍之前发现它们。