专题征稿 | 面向 AI 应用的先进半导体
Nature portfolio约 5 分钟面向 AI 应用的先进半导体
Advanced Semiconductors for AI Applications
客座编辑：余浩，南方科技大学微电子学院副院长、长聘教授；黄姗诗，香港科技大学（广州）助理教授；朱凯晨，复旦大学未来信息技术学院与光电研究院长聘副教授；Wonbo Shim （沈元辅）博士，韩国首尔科技大学副教授
期刊名称：npj Advanced Manufacturing
截止日期：2027年1月13日
点击阅读原文或扫码进入征稿页面
客座编辑
余浩博士，南方科技大学
余浩博士现任中国南方科技大学微电子学院副院长、长聘教授。他主持教育部未来通信集成电路工程研究中心，并领导南科大–ARM 中国 / 中兴 AI 联合实验室。余博士本科毕业于复旦大学，博士毕业于加州大学洛杉矶分校（UCLA），此前曾在南洋理工大学任职。
他在高性能集成电路（IC）设计领域拥有逾 30 年的研究与实践经验，研究方向涵盖 3D‑IC、存内计算以及具身 AI，重点聚焦面向可扩展 AI 系统的算法–架构–电路协同设计。他已发表学术论文 340 余篇，其研究成果曾获得多项国际重要会议和机构颁发的最佳论文奖，包括 IEEE‑ICARM、IEEE‑RAS（世界机器人大会）、IEEE‑BioCAS、ACM TODAES 以及 SRC。
余教授入选过多项国家级高层次人才计划，并先后荣获吴文俊人工智能技术发明奖（2019 年）和吴文俊 AI 芯片专项奖（2020 年）。此外，他还担任多本 IEEE、ACM 及 Elsevier 期刊的编辑或副编辑，并在多项国际重要学术会议中担任组织与领导职务。
黄姗诗博士，中国香港科技大学
黄姗诗博士现任香港科技大学（广州）微电子学域助理教授。她于 2012 年毕业于北京理工大学，获得通信工程学士学位；2014 年于美国亚利桑那州立大学获得电子工程硕士学位。硕士毕业后，她曾在美国 Marvell Technology 担任物理设计工程师，并于 2017 年起在亚利桑那州立大学担任研究助理，随后攻读博士学位。她于 2022 年在美国佐治亚理工学院获得博士学位。
黄博士的研究方向主要集中在 AI 加速领域，涵盖数字及基于 eNVM 的存内计算、跨层软硬件协同设计、AI 芯片以及 EDA 设计等方向。她已在国际同行评审期刊和会议上发表学术论文 30 余篇。近年来获得的代表性荣誉包括 2023 年《IEEE Transactions on Computer-Aided Design》Donald O. Pederson 最佳论文奖，以及 2024 年 ACM TODAES 最佳论文奖。
朱凯晨博士，中国复旦大学
朱凯晨博士自 2025 年 3 月起担任复旦大学未来信息技术学院与光电研究院长聘副教授。他于 2023 年在西班牙巴塞罗那大学获得纳米科学博士学位，随后在沙特阿拉伯阿卜杜拉国王科技大学（KAUST）开展博士后研究工作。
朱博士的研究方向聚焦于将二维材料集成至忆阻器和晶体管中，以支撑新一代硅基集成电路的发展。他于 2024 年入选国家自然科学基金海外优秀青年科学基金项目。截至目前，他已在高影响力期刊发表论文 40 余篇，其中包括 Nature（2 篇）、Nature Electronics（2 篇）、Nature Nanotechnology（3 篇）以及 Nature Reviews Materials 等，论文总引用次数超过 3,100 次。
朱博士现任期刊 Microelectronic Engineering 副编辑，并长期担任 Nature Electronics、Nature Communications、Advanced Materials 等国际顶级期刊的审稿人。此外，他还担任 IEEE‑IPFA 2026 分会主席（Track Chair），并于 2025 年荣获 ChinaNANO 青年报告人奖。
Wonbo Shim （沈元辅）博士，韩国首尔科技大学
Wonbo Shim 博士于 2007 年和 2013 年分别在韩国国立首尔大学获得电气工程学士和博士学位。2013 年至 2019 年，他在韩国华城的三星电子闪存设计团队担任高级工程师。2019 年至 2021 年期间，他在美国佐治亚理工学院开展博士后研究工作。
目前，Shim 博士任职于韩国首尔科技大学电气与信息工程系，担任副教授。他的研究方向包括非易失性存储器器件建模、3D NAND 闪存设计，以及面向 AI 应用的高能效存储系统。
专题征稿
人工智能（AI）的快速演进对计算资源提出了日益增长的需求，而仅依赖传统处理器工艺微缩所带来的性能提升已难以持续满足这些需求。因此，面向 AI 应用量身定制的先进半导体技术变得尤为关键。本专题合集旨在重点呈现近年来专为 AI 工作负载设计的下一代芯片领域的最新进展，涵盖半导体技术、电路与体系结构等多个层面。
本专题关注的主题包括但不限于：
AI系统架构：面向数据中心或边缘场景的AI计算系统、异构计算架构、分布式框架等体系结构研究方向。
高效AI的软硬件协同设计：模型压缩与近似计算、稀疏或可重构数据通路设计，以及其他软硬件协同优化技术。
AI加速器芯片：面向AI计算的模拟、数字及混合信号电路设计，以及其他支持AI加速的芯片设计。
面向AI的先进逻辑与工艺技术：先进工艺节点（如nanosheet、forksheet、CFET等）、设计—技术协同优化（DTCO）、系统—技术协同优化（STCO）及相关工艺创新。
面向AI的先进封装与异构集成：基于Chiplet的2.5D/3D集成与架构设计、晶圆级计算的工艺与架构，以及其他结合工艺、封装技术与体系结构的创新方向。
新兴AI系统：面向半导体集成的光计算、量子计算、超导计算等非常规计算范式的器件与体系结构。
存内计算与近存计算：相关体系结构设计、存内计算（CIM）宏单元电路设计，以及用于计算的新型存储器器件（如ReRAM、MRAM、PCRAM、FeRAM、FeFET等）。
通过深入探讨上述专业领域，本专题合集期望加深学界与产业界对先进半导体如何有效响应 AI 系统快速增长需求的理解，并进一步推动人工智能与半导体技术的协同发展。
点击“阅读原文”，访问征稿页面