存儲器的歷史始于1984年，彼時 Masuoka 教授發(fā)明了 NAND Flash（NAND 閃存）。1989年，東芝首款 NAND Flash 上市。2001年，許多Flash廠商推出MLC NAND Flash。2007年，東芝推出3D NAND，三星也在2012年發(fā)布其第一代3D NAND。NAND Flash 技術幾十年發(fā)展保留了相同的概念、堆疊（stack）和架構，存儲密度隨時間呈指數(shù)增長。

2010年以后，嵌入式存儲器（embedded memories， 指“集成在片內與系統(tǒng)中各個邏輯、混合信號等IP 共同組成單一芯片中的存儲器”）開始達到28nm節(jié)點，但是，存儲器單元（cell）在面積收縮能力、復雜度進展緩慢，技術迭代的壓力被轉移到新興內存和更先進的工藝節(jié)點上。

2015 年，英特爾和美光公司開發(fā)了基于相變存儲器（PCM）的3D XPoint技術，填補 DRAM 和 Flash 之間的延遲差距，使新內存架構成為可能，也為非易失性內存（NVM）領域帶來了創(chuàng)新。自2017年起，這項技術以 Optane品牌在公開市場上市。峰回路轉，2021年美光不再認為3D Xpoint 的持續(xù)投資是合理的，宣布放棄3D Xpoint；2022年業(yè)界傳出消息，英特爾正在關閉 Optane 業(yè)務部門。

3D XPoint 未成氣候，或許表明“方向比努力更重要”，新技術要有市場，關鍵在于能否解決應用的計算和內存瓶頸。例如，模擬人腦的計算系統(tǒng)往往要求高能量效率、并行性以及諸如對象識別、聯(lián)想、適應和學習的認知能力，對計算和內存之間的協(xié)同工作提出新要求。

此外，社交網絡、流媒體和視頻點播等的消費電子應用，以及智能家居、智慧城市等物聯(lián)網應用盛行，連接網絡的智能設備大量增加，數(shù)據(jù)量和數(shù)據(jù)中心增長快速，計算系統(tǒng)的能量消耗更多地受到數(shù)據(jù)傳輸?shù)挠绊懀皇怯嬎惚旧怼?/p>

面對上述問題，業(yè)界需要計算系統(tǒng)結構的新規(guī)范，導致了以內存為中心和“存內計算 In-memory computing”系統(tǒng)的興起。在進一步探討這些技術之前，不得不提一下近期存儲器的行情走向。

需求低迷、上游原廠減產

庫存調整或貫穿 2023 年

存儲器市場存在較強的周期性，交替出現(xiàn)短缺或者供應過剩的時期，導致價格變化、收入波動等情況，當前存儲器市場有幾個情況。

首先是降價。綜合媒體和研究機構的消息，存儲器的供需處于失衡狀態(tài)。TrendForce 集邦咨詢報告顯示，NAND Flash 正處于供過于求的狀態(tài)，下半年起，買方著重去化庫存，大幅減少采購量，賣方開出破盤價以鞏固訂單，使第三季晶圓（Wafer）價格跌幅達30~35%。但各類 NAND Flash 終端產品仍疲弱，原廠庫存因此急速上升，導致第四季 NAND Flash 價格跌幅擴大至15~20%。而絕大部分原廠的 NAND Flash 產品銷售也將自今年底前正式步入虧損。原因是在高通脹影響下，消費電子產品需求疲軟，第三季存儲器出貨量呈現(xiàn)每個季度遞減的趨勢，終端買方因存儲器需求明顯下滑而延緩采購，導致供應商庫存壓力進一步升高。

類似的，各 DRAM 供應商為求增加市占的策略不變，市場上已有“第三、四季合并議價”或“先談量再議價”的情形，皆是導致第四季 DRAM 價格跌幅擴大至13~18% 的原因。

其次是減產。部分供應商在運營陷入虧損的壓力下，減產以降低虧損是可能的對應方式。芯查查 APP 顯示，美光已經于9月底宣布削減 DRAM 和NAND Flash 的產量，成為頭家式降低產能利用率的制造商，并強調其在2023 年大幅下調資本支出，DRAM 生產比特的年增長率僅為 5% 左右。

NAND Flash 市場形勢比 DRAM更為嚴峻，主流產能晶圓的平均合同價格已經下降到現(xiàn)金成本，并且正在接近各個制造商虧損銷售的邊緣。Kioxia（鎧俠）在美光之后相繼宣布，將從10月份起將 NAND Flash 產能利用率降低 30%。DRAM 目前的合同價格仍然高于主流供應商的總生產成本，因此與NAND Flash 相比，是否會有進一步的減產還有待觀察。

減產對于芯片原廠的產品升級計劃造成影響。美光原計劃從四季度開始逐步提高232層 NAND Flash 的比例，減產之后，主流工藝估計2023年仍以176層產品為主。Kioxia 和 WDC 原計劃從四季度開始遷移到162層產品，但是 WDC 減少2023年資本支出，加上需求能見度低，無法實現(xiàn)原定計劃。

趨勢 1

突破傳統(tǒng)架構，RRAM（ReRAM）存算一體

有望提升計算系統(tǒng)能效比

文章開頭提及，開發(fā)新計算系統(tǒng)源于幾點：數(shù)據(jù)指數(shù)增長、功耗增加，當前計算系統(tǒng)的性能限制也是原因之一。對此，業(yè)界提出“近內存”或存內計算（In-memory Computing），以解決數(shù)據(jù)中心的幾個問題，包括數(shù)據(jù)傳輸“存儲墻”（Memory barrier）、高功耗和時間成本。涉及深度學習網絡的數(shù)據(jù)中心需要巨大的計算能量，要求高可靠性、更出色容量、帶寬和性能的存儲器，從而衍生出關于新的非馮·諾依曼系統(tǒng)的新興存儲技術研究。

普遍認為，RRAM（也即 ReRAM，阻變式隨機存取存儲器）、PCM（相變隨機存取存儲器）和 MRAM（磁隨機存取存儲器）等是下一代存儲技術路線，這些也是“存內計算”的基礎技術，從技術特征來看，這些技術有哪些獨特性？

資深電子器件專家 Ray 表示，上述的下一代非易失性存儲器首先是作為存儲級內存被提出的，在存儲層級中介于內存和硬盤之間，因此，存儲的性能指標對這些下一代非易失性存儲器仍然適用，如面積、功耗、讀寫速度、集成性、成本等。此外，下一代非易失性存儲器也非常適用于存內計算，而存內計算又對這些存儲器提出了新的要求，如開關比、多阻態(tài)、魯棒性等。RRAM、PCM 和 MRAM 等是目前研究較多的下一代非易失性存儲器，它們各有優(yōu)勢和不足。

MRAM 中的磁性材料磁化方向變化的時候，從磁性材料兩端電極上讀取得到的隧穿電流會發(fā)生變化，從而得到不同電阻，其編寫速度快、重復編寫周期長，但其材料制備較復雜、開關比較低、易受擾動。

PCM 是利用相變材料在焦耳熱作用下，在結晶態(tài)和非晶態(tài)之間轉換，從而呈現(xiàn)出不同阻態(tài)，其已經在英特爾等公司的產品中使用，大規(guī)模集成性較好，但其寫入速度較慢、寫入能耗較大。

RRAM 主要依靠絕緣層在電場作用下，通過離子的遷移形成導電細絲，再通過控制導電細絲的通斷控制阻態(tài)，綜合來看在各個指標上均具有比較優(yōu)異的性質，其結構簡單、存儲密度高且支持片上3D 集成、開關比可達1000以上、讀寫速度和功耗適中，且其可通過控制導電細絲的形態(tài)形成多阻態(tài)，從而模仿生物大腦中神經突觸功能，適合存內計算和類腦計算。

目前 RRAM 作為新興存儲器，其規(guī)模化制備的良率、成本、外圍控制電路等還需進一步優(yōu)化，同時，我們也很欣喜地看到國內和國際的多家制造廠商已經布局 RRAM 的制備，并且已完成晶圓級 RRAM 芯片的流片。

在 RRAM 商業(yè)化之前，還需要解決哪些難題？Ray 說道，同其他研究一樣，RRAM 的科研主要解決科學問題，在進行商業(yè)化的時候還有很多工程問題需要解決，包括大規(guī)模制造、架構和軟件的配合、應用場景等，但目前來看，其很多科學問題已經經過了大量的研究，取得了很多突破，這些技術問題相信隨著時間的推移也將逐步解決。

物聯(lián)網和網絡邊緣的人工智能（AI）和機器學習（ML）快速增長，這些應用端的計算系統(tǒng)的能效比的問題日益突出，而 RRAM 作為一種較佳的解決方案，成為研究的焦點。

Ray 進一步說道，目前的計算架構采用馮諾伊曼架構，其存儲與計算單元分離，因此，在 AI 等計算應用中，大量數(shù)據(jù)需要不斷在片下的內存和片上的計算單元之間搬運，然而由于內存帶寬不足帶來的“存儲墻”問題，導致計算延時和能耗較高，難以滿足 AI 模型的算力和功耗需求。存算一體技術將存儲單元與計算單元融合，在存儲器內利用物理定律進行計算，避免了“存儲墻”問題，極大地降低了數(shù)據(jù)搬運的能耗和延時，并提升了計算的能效比。基于 RRAM 的存算一體目前是國內外的研究熱點和前沿，其主要實現(xiàn)方式分為兩種，即模擬式存算一體和數(shù)字式存算一體。

模擬式存算一體利用了 RRAM 的模擬式阻態(tài)特性，通過電導存儲多比特數(shù)據(jù)。以神經網絡中應用較廣泛的矩陣乘積運算為例，其電導值存儲神經網絡的權值，輸入為電壓值，利用歐姆定律完成乘法，得到電流值，然后陣列中同一條數(shù)據(jù)線上的電流根據(jù)基爾霍夫電流定律相加，從而完成乘加運算。模擬式存算一體可以達到較高的存儲密度，但其對環(huán)境噪聲和溫度較敏感，運算精度較低，主要適合低精度、小算力的應用場景。

而數(shù)字式存算一體中，其每個 RRAM 只存儲一比特數(shù)據(jù)，經過乘法運算得到電流后再經過數(shù)字電路進行后續(xù)加法等運算，此種方法雖然存儲密度低于模擬式存算一體，但其優(yōu)勢是在保證計算能效比的前提下，支持高精度、大算力的運算，提高計算的魯棒性，從而極大地拓展了存算一體的應用場景。

相比于 CMOS 器件，目前 RRAM 的局限性主要體現(xiàn)在編寫周期有限上，因此目前 RRAM 主要適用于 AI 推理等操作，而相信隨著工藝的演進，得到更高編寫周期的 RRAM 也是非常有希望的。另一個局限性是 RRAM 阻值的波動性，而此問題在數(shù)字式存算一體中可以得到很好的解決。