英飞凌选择RRAM的背后,,新型存储器市场崛起之路
英飞凌和台积电宣布，他们正准备在下一代AURIX（微控制器）微控制器（MCU）上部署非易失性存储器（NVM）RRAM（ReRAM），并将在台积电的28纳米节点上制造。英飞凌选择RRAM而不是嵌入式闪存（eFlash）的原因是，在新内存中，RRAM不仅满足了高读写速度和存储密度的要求，还将延迟降低了1000倍，为未来的智能驾驶提供了高实时数据吞吐量。在安全性方面，RRAM是可靠的，未来有望出现高性能、高集成、高稳定性和低功耗的汽车RRAM存储器。英飞凌汽车微控制器总经理Thomas Boehm表示：“RRAM在扩展性能、降低功耗和提高成本方面具有巨大潜力。这并不是英飞凌第一次尝试新的内存。今年7月，英特尔宣布将逐步淘汰Optane内存业务。Optane是基于Intel和Micron联合开发的3D Xpoint技术的相变内存（PCM）的变体。这是设备和技术本身的致命失败，还是一种新内存崛起的尝试？eeNews的文章“为什么新记忆不成功”倾向于后者。正如我们在一份新的报告《新兴内存进入下一阶段》中所解释的那样，越来越多的公司使用CMOS代工逻辑，即NOR闪存不能集成到低于28nm的工艺中，除非NOR是采用28nm的工艺技术制造的。换句话说，芯片的逻辑部分会随着工艺的减小而不断缩小，而NOR的尺寸不会改变，这大大减缓了芯片成本的降低。SRAM也是如此。在约10nm程序中，SRAM比逻辑慢很多，但不会像NOR那样完全停止。传统存储器的易失性和小型化问题可以用新型非易失性存储器很好地解决。新存储器如何打开市场，《中国电子商务》11月刊上一篇题为《供需混乱，重复如常，存储器如何迎接2023》的文章指出，“因为新技术有市场，关键在于能否解决应用计算和存储瓶颈。“突破传统架构，RRAM（ReRAM）内存计算一体化来自开发有望提高计算系统能效比的新计算系统的几个方面：数据指数增长，功耗增加，目前计算系统的性能限制也是原因之一。相比之下，业界提出了“近内存”或内存内计算，以解决数据中心的几个问题，如数据传输的“存储墙”内存屏障、高功耗和时间成本。包括深度学习网络在内的数据中心需要大量的计算能量，需要高可靠性、容量、带宽和性能的存储器，从而为新的非冯·诺伊曼系统带来了新兴存储技术的研究。RRAM（又名ReRAM，可变电阻随机存取存储器），PCM（相变随机存取存储器）和MRAM（磁性随机存取存储器）等新兴存储器通常被认为是下一代存储技术的根源，它们也是“内存计算”的基础技术。高级电子元器件专家雷表示，上述下一代非易失性存储器作为存储级存储器最早提出的介于存储器和硬盘之间的存储级别，因此，这些下一代非易失性存储器的存储性能指标在面积、功耗、读写速度、集成度、成本等方面仍然适用。下一代非易失性存储器也适用于内存计算，它对这些存储器提出了新的要求，例如切换比、多电阻状态和鲁棒性。RRAM、PCM和MRAM是目前正在研究的下一代非易失性存储器，它们各有优缺点。当磁性材料在MRAM中的磁化方向发生变化时，从磁性材料两端的电极读取的隧道电流发生变化，得到不同的电阻，写入速度快，重复写入周期长，但材料制备复杂，开关相对低，容易受到扰动。PCM是利用相变材料在焦耳热作用下在晶态和非晶态之间转换，表现出不同的电阻态，已应用于英特尔等公司的产品中，其大规模集成性较好，但写入速度较慢，写入能耗较大。RRAM主要依赖于电场作用下的绝缘层，通过离子的移动形成导电丝，通过控制导电丝的关断控制故障状态，具有各种指标的综合特性，其结构简单，存储密度高，支持芯片上的3D集成。开关比可达到1000以上。读写速度和功耗适中，通过控制导电丝的形态，可形成多障碍状态，模仿生物大脑的神经突触功能。它适用于记忆计算和大脑计算。目前，RRAM作为一种新兴存储器，在产量、成本、外设控制电路等大规模准备方面还需要进一步优化，我们很高兴看到国内外众多厂商纷纷布局RRAM准备工作，完成了晶圆级RRAM芯片的流程芯片。在RRAM商业化之前，需要解决哪些问题？雷先生说，与其他研究一样，RRAM的科学研究主要是解决科学问题，有很多工程问题需要解决，包括大规模制造、架构与软件的合作、应用场景等，但目前，很多科学问题已经经历了大量的研究，并取得了许多突破。我们相信，随着时间的推移，这些技术问题将逐步得到解决。随着人工智能（AI）和机器学习（ML）在物联网和网络边缘的快速增长，这些应用端计算系统的能效问题越来越突出，RRAM作为最佳解决方案已成为研究的焦点。Ray进一步指出，目前的计算架构采用冯·诺依曼架构，其存储和计算单元分离，因此在AI等计算应用中，大量数据需要不断地在片上存储器和片上计算单元之间移动。由于内存带宽不足，“存储墙”问题导致高计算延迟和能耗，很难满足AI模型的计算能力和功耗需求。内存集成技术融合了内存单元和计算单元，利用内存中的物理定律进行计算，避免了“存储墙”的问题，大大降低了数据处理的能耗和延迟，提高了计算的能效比。基于RRAM的存储器集成是目前国内外研究的热点，其实现方法分为模拟存储器集成和数字存储器集成两种。模拟存储器利用RRAM的模拟电阻特性，通过电导存储多个位的数据。以神经网络中广泛应用的矩阵乘法运算为例，其电导值存储神经网络的权重值，输入为电压值，利用欧姆定律完成乘法运算，得到电流值，阵列中同一数据线上的电流按照基尔霍夫电流定律相加，完成乘法加法运算。模拟存储器可以实现更高的存储密度，但对环境噪声和温度敏感，计算精度较低，主要适用于精度较低的小型应用。在数字存储器中，每个RRAM仅存储1位数据。乘法后得到电流，然后通过数字电路进行后续加法和其他运算。这种方法虽然内存密度低于模拟内存，但其优点是在保证计算能效比的前提下，支持高精度、大规模计算能力的计算，提高计算鲁棒性，极大地扩展了存储的应用场景。与CMOS器件相比，目前RRAM的局限性主要体现在其写入周期有限这一点上，因此目前RRAM主要适合于AI推理等操作，随着工艺的演进，获得更高写入周期的RRAM也被认为是非常有前途的。另一个限制是RRAM电阻的波动，这个问题可以通过数字存储器集成很好地解决。硅是一种倾向还是审美疲劳，在存储上说？即将召开的ISSCC2023会议将至少有21篇与内存集成相关的论文，占ISSCC全部被录取论文的10%。从技术路径分类，会话7（SRAM内存集成宏）中只有两个纯模拟存储器，其余都是数字存储器。数字技术将成为“存储和计算融合”的大趋势。