英飞凌选择 RRAM 的背后——新型存储器市场崛起之路

近日，英飞凌和台积电宣布，两家公司正准备将非易失性存储器 ( NVM ) RRAM ( ReRAM ) 引入英飞凌的下一代 AURIX 微控制器 ( MCU ) ，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）的背后有其考量：在新型存储器中，RRAM 不仅满足高读写速度和存储密度的要求，同时延迟可降低 1000 倍，可满足未来智能驾驶高实时数据吞吐量。安全性方面，RRAM 具备可靠性，未来有望出现高性能、高集成度、高稳定性和低功耗的车规 RRAM 存储器。英飞凌汽车微控制器总经理 Thomas Boehm 说："RRAM 为性能扩展、功耗降低和成本改善创造了巨大潜力。"

这到底是器件或者技术本身导致的注定失败，还是新型存储器在崛起之路上的一段尝试？eeNews 在其文章《为何新型存储器尚未成功》中倾向于后者 : " 正如我们在新报告《新兴存储器进入下一阶段》中所解释的那样，越来越多的公司使用的 CMOS 代工逻辑无法将 NOR 闪存嵌入到小于 28nm 的工艺中，除非 NOR 是使用 28nm 或更大的工艺技术生产的。换句话说，芯片的逻辑部分会随着工艺的缩小而继续缩小，但 NOR 的尺寸会保持不变，这将大大减缓芯片成本的降低。SRAM 似乎也是如此。在大约 10nm 的工艺中，SRAM 的扩展速度比逻辑慢得多，尽管它并没有像 NOR 那样完全停止。"

传统存储器所具有的易失性、微缩性差等问题可以被新型非易失性存储器很好地解决。而新型存储器如何打开市场，《中国电子商情》11 月刊中的《供需混沌，迭代如常，存储器迎来怎样的 2023》一文认为：" 新技术要有市场，关键在于能否解决应用的计算和内存瓶颈。"

突破传统架构，RRAM（ReRAM）存算一体有望提升计算系统能效比

开发新计算系统源于几点：数据指数增长、功耗增加，当前计算系统的性能限制也是原因之一。对此，业界提出 " 近内存 " 或存内计算（In-memory Computing），以解决数据中心的几个问题，包括数据传输 " 存储墙 "（Memory barrier）、高功耗和时间成本。涉及深度学习网络的数据中心需要巨大的计算能量，要求高可靠性、更出色容量、带宽和性能的存储器，从而衍生出关于新的非冯 · 诺依曼系统的新兴存储技术研究。

普遍认为，RRAM（也即 ReRAM，阻变式随机存取存储器）、PCM（相变随机存取存储器）和 MRAM（磁随机存取存储器）等新型存储器是下一代存储技术路线，这些也是 " 存内计算 " 的基础技术，从技术特征来看，这些技术有哪些独特性？

资深电子器件专家 Ray 表示，上述的下一代非易失性存储器首先是作为存储级内存被提出的，在存储层级中介于内存和硬盘之间，因此，存储的性能指标对这些下一代非易失性存储器仍然适用，如面积、功耗、读写速度、集成性、成本等。此外，下一代非易失性存储器也非常适用于存内计算，而存内计算又对这些存储器提出了新的要求，如开关比、多阻态、鲁棒性等。RRAM、PCM 和 MRAM 等是目前研究较多的下一代非易失性存储器，它们各有优势和不足。

MRAM 中的磁性材料磁化方向变化的时候，从磁性材料两端电极上读取得到的隧穿电流会发生变化，从而得到不同电阻，其编写速度快、重复编写周期长，但其材料制备较复杂、开关比较低、易受扰动。

PCM 是利用相变材料在焦耳热作用下，在结晶态和非晶态之间转换，从而呈现出不同阻态，其已经在英特尔等公司的产品中使用，大规模集成性较好，但其写入速度较慢、写入能耗较大。

RRAM 主要依靠绝缘层在电场作用下，通过离子的迁移形成导电细丝，再通过控制导电细丝的通断控制阻态，综合来看在各个指标上均具有比较优异的性质，其结构简单、存储密度高且支持片上 3D 集成、开关比可达 1000 以上、读写速度和功耗适中，且其可通过控制导电细丝的形态形成多阻态，从而模仿生物大脑中神经突触功能，适合存内计算和类脑计算。

目前 RRAM 作为新兴存储器，其规模化制备的良率、成本、外围控制电路等还需进一步优化，同时，我们也很欣喜地看到国内和国际的多家制造厂商已经布局 RRAM 的制备，并且已完成晶圆级 RRAM 芯片的流片。

在 RRAM 商业化之前，还需要解决哪些难题？Ray 说道，同其他研究一样，RRAM 的科研主要解决科学问题，在进行商业化的时候还有很多工程问题需要解决，包括大规模制造、架构和软件的配合、应用场景等，但目前来看，其很多科学问题已经经过了大量的研究，取得了很多突破，这些技术问题相信随着时间的推移也将逐步解决。

物联网和网络边缘的人工智能（AI）和机器学习（ML）快速增长，这些应用端的计算系统的能效比的问题日益突出，而 RRAM 作为一种较佳的解决方案，成为研究的焦点。

Ray 进一步说道，目前的计算架构采用冯诺伊曼架构，其存储与计算单元分离，因此，在 AI 等计算应用中，大量数据需要不断在片下的内存和片上的计算单元之间搬运，然而由于内存带宽不足带来的 " 存储墙 " 问题，导致计算延时和能耗较高，难以满足 AI 模型的算力和功耗需求。存算一体技术将存储单元与计算单元融合，在存储器内利用物理定律进行计算，避免了 " 存储墙 " 问题，极大地降低了数据搬运的能耗和延时，并提升了计算的能效比。基于 RRAM 的存算一体目前是国内外的研究热点和前沿，其主要实现方式分为两种，即模拟式存算一体和数字式存算一体。

模拟式存算一体利用了 RRAM 的模拟式阻态特性，通过电导存储多比特数据。以神经网络中应用较广泛的矩阵乘积运算为例，其电导值存储神经网络的权值，输入为电压值，利用欧姆定律完成乘法，得到电流值，然后阵列中同一条数据线上的电流根据基尔霍夫电流定律相加，从而完成乘加运算。模拟式存算一体可以达到较高的存储密度，但其对环境噪声和温度较敏感，运算精度较低，主要适合低精度、小算力的应用场景。

而数字式存算一体中，其每个 RRAM 只存储一比特数据，经过乘法运算得到电流后再经过数字电路进行后续加法等运算，此种方法虽然存储密度低于模拟式存算一体，但其优势是在保证计算能效比的前提下，支持高精度、大算力的运算，提高计算的鲁棒性，从而极大地拓展了存算一体的应用场景。

相比于 CMOS 器件，目前 RRAM 的局限性主要体现在编写周期有限上，因此目前 RRAM 主要适用于 AI 推理等操作，而相信随着工艺的演进，得到更高编写周期的 RRAM 也是非常有希望的。另一个局限性是 RRAM 阻值的波动性，而此问题在数字化存算一体中可以得到很好的解决。

矽说在《存算一体是大势所趋还是审美疲劳？》一文中提到，在即将召开的 ISSCC 2023 上，存算一体相关的论文至少有 21 篇，占了整个 ISSCC 录用论文的 10%。而从技术路径来分类，纯模拟的存算一体在 session 7 （SRAM 存算一体 Macro）中只有 2 篇，其余均是数字。数字化技术将成为 " 存算一体 " 的大趋势。

紧跟趋势，国内初创公司勇闯 " 无人区 "？

提到 RRAM 和数字化存算一体，就不得不提一下日渐名声鹊起的一家国内企业——亿铸科技。根据其官网描述，自 2020 年成立以来，就专注于 " 基于 ReRAM 的全数字化存算一体 AI 大算力芯片 " 的研发。放眼全球，这种结合与尝试都是非常新的，但是这种组合否能助力新型存储器市场崛起、甚至在国产化 AI 大算力芯片上取得亮眼成绩，还需时间去验证。好在这个未来并不远——亿铸科技曾透露，其第一代芯片将于 2023 年落地，并于同年投片第二代芯片。且让我们拭目以待。