近日，英飛凌和臺積電宣布，兩家公司正準備將非易失性存儲器 (NVM) RRAM (ReRAM) 引入英飛凌的下一代 AURIX ™微控制器 (MCU)，并將在臺積電的28納米節點上制造。
英飛凌選擇RRAM而不是嵌入式閃存（eFlash）的背后有其考量：在新型存儲器中，RRAM不僅滿足高讀寫速度和存儲密度的要求，同時延遲可降低1000倍，可滿足未來智能駕駛高實時數據吞吐量。安全性方面，RRAM具備可靠性，未來有望出現高性能、高集成度、高穩定性和低功耗的車規RRAM存儲器。英飛凌汽車微控制器總經理 Thomas Boehm 說：“RRAM為性能擴展、功耗降低和成本改善創造了巨大潛力。”
這不是英飛凌第一次嘗試新型存儲器。今年7月，英特爾透露將逐步停下自有Optane存儲器業務。Optane 是相變存儲器 (PCM) 的一種變體，基于英特爾與美光聯合研發的3D Xpoint技術。
這到底是器件或者技術本身導致的注定失敗，還是新型存儲器在崛起之路上的一段嘗試？eeNews 在其文章《為何新型存儲器尚未成功》中傾向于后者: “正如我們在新報告《新興存儲器進入下一階段》中所解釋的那樣，越來越多的公司使用的 CMOS 代工邏輯無法將 NOR 閃存嵌入到小于 28nm 的工藝中，除非 NOR 是使用 28nm 或更大的工藝技術生產的。換句話說，芯片的邏輯部分會隨著工藝的縮小而繼續縮小，但 NOR 的尺寸會保持不變，這將大大減緩芯片成本的降低。SRAM 似乎也是如此。在大約 10nm 的工藝中，SRAM 的擴展速度比邏輯慢得多，盡管它并沒有像 NOR 那樣完全停止。”
傳統存儲器所具有的易失性、微縮性差等問題可以被新型非易失性存儲器很好地解決。而新型存儲器如何打開市場，《中國電子商情》11月刊中的《供需混沌，迭代如常，存儲器迎來怎樣的 2023》一文認為：“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。”
突破傳統架構，RRAM（ReRAM）存算一體有望提升計算系統能效比
開發新計算系統源于幾點：數據指數增長、功耗增加，當前計算系統的性能限制也是原因之一。對此，業界提出“近內存”或存內計算（In-memory Computing），以解決數據中心的幾個問題，包括數據傳輸“存儲墻”（Memory barrier）、高功耗和時間成本。涉及深度學習網絡的數據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）等新型存儲器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、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，在結晶態和非晶態之間轉換，從而呈現出不同阻態，其已經在英特爾等公司的產品中使用，大規模集成性較好，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，綜合來看在各個指標上均具有比較優異的性質，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形成多阻態，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，其規模化制備的良率、成本、外圍控制電路等還需進一步優化，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，在進行商業化的時候還有很多工程問題需要解決，包括大規模制造、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，大量數據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，極大地降低了數據搬運的能耗和延時，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，其主要實現方式分為兩種，即模擬式存算一體和數字式存算一體。
模擬式存算一體利用了 RRAM 的模擬式阻態特性，通過電導存儲多比特數據。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據線上的電流根據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。
而數字式存算一體中，其每個 RRAM 只存儲一比特數據，經過乘法運算得到電流后再經過數字電路進行后續加法等運算，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，而此問題在數字化存算一體中可以得到很好的解決。
矽說在《存算一體是大勢所趨還是審美疲勞？》一文中提到，在即將召開的ISSCC 2023上，存算一體相關的論文至少有21篇，占了整個ISSCC錄用論文的10%。而從技術路徑來分類，純模擬的存算一體在session 7 （SRAM存算一體Macro）中只有2篇，其余均是數字。數字化技術將成為“存算一體”的大趨勢。
緊跟趨勢，國內初創公司勇闖“無人區”？
提到RRAM和數字化存算一體，就不得不提一下日漸名聲鵲起的一家國內企業——億鑄科技。根據其官網描述，自2020年成立以來，就專注于“基于ReRAM的全數字化存算一體AI大算力芯片”的研發。放眼全球，這種結合與嘗試都是非常新的，但是這種組合否能助力新型存儲器市場崛起、甚至在國產化AI大算力芯片上取得亮眼成績，還需時間去驗證。好在這個未來并不遠——億鑄科技曾透露，其第一代芯片將于2023年落地，并于同年投片第二代芯片。且讓我們拭目以待。
