而如今，他想要推动中芯，改“保守”为“激进”，越级挑战14nm制程，自然也就需要更多资金和支持。
如果大基金能参与进来，资金和政策方面，基本就不用操心了。
甚至就连他想要一块拉进来的上游设备材料商，都有可能吃上点红利。
你瞅这事儿闹的~
正瞌睡呢，枕头就送上门来了~
“回头你联系一下，把咱们的合作方案递过去，看那边有没有兴趣。”洛川叮嘱道。
“OK。”
钱的事儿解决了，剩下的就是技术和订单。
后者自是不必多说。
只要中芯能实现技术突破，14nm制程工艺良率达标，甚至只要达到60%的及格线，星光就敢给他们的产能兜底。
成本高点无所谓，少赚点也无所谓，只要自主可控就行。
“有没有”这一点，很重要！
至于技术，洛川倒是不怎么担心。
14nm FinFET核心工艺模块、DUV多重曝光技术，难度肯定是有的。
而且极高。
但既然他们当初能搞定，28nm的HKMG工艺，如今也就应该有信心，再次搞定14nm FinFET工艺。
这并非盲目自信，而是基于技术积累、工具升级、智能赋能、生态协同、需求牵引的综合判断。
其一，14nm FinFET虽采用三维结构，但部分核心底层技术，与28nm HKMG工艺高度同源。
如高K材料的成分比例、金属栅极的制备逻辑、薄膜沉积、离子注入等等。
换言之，他们并非从零开始研发，而是有着大致的路径可循，进而大幅缩短工艺摸索周期。
此外，在28nm工艺良率，从60%提升至85%的过程中，中芯积累了“缺陷分析-参数优化-批量验证”的标准化流程。
这套方法论，可直接应用于14nm FinFET的良率爬坡，避免重复试错、返工的低效循环。
其二，极光此前为中芯搭建的28nm工艺仿真模型，已实现“晶体管性能-工艺参数”的精准映射。
而极光目前正在搭建的14nm仿真模型，也推进的十分顺畅。
依托于极光云的高性能算力，该模型处理海量三维数据时，可通过“容器化并行计算”，将单轮仿真时间，压缩至12小时！
且支持同时运行100组，不同工艺参数的仿真任务，大幅减少等待数据的研发空窗期！
即便是入驻亚马逊云AWS的台积电，受限于AWS通用算力架构，缺乏半导体工艺仿真的定制化优化，且容器化技术，也远逊于极光云。
单轮全晶圆仿真，仍需耗时72小时。
并行运行的工艺参数仿真任务，上限也仅为20组。
轻松碾压之~
其三，作为全球唯一百亿参数级通用大模型，极光大模型，虽还不具备生成式能力，但已能基于海量数据，实现工艺参数优化和缺陷预测。
14nm FinFET的核心难点是，多重参数协同优化。
如鳍片高度、栅极长度、光刻剂量等，需同时满足性能、功耗、良率要求。
传统方法，需工程师凭经验，测试数百组参数。
而极光大模型，可通过学习28nm历史数据+14nm仿真数据，直接输出最优参数组合。
预计至少可减少70%物理试错次数。
这种“数据驱动的精准研发”，是其他所有芯片代工厂，皆不具备的独家优势~
总结。
28nm HKMG，提供技术地基。
14nm工艺仿真模型+极光云，压缩研发周期。
极光大模型，减少试错成本。
再加上未尝一败的极光、星光研发团队。
在洛川的视角中，问题从来就不是，“能否攻克14nm”，而是“多久攻克”。
总之，莽就完了~