内存属于哪一种存储器_存储器分为哪三个种类

大家好，我是讯享网，大家多多关注。

编译|张赟
编辑|演唱

据EE Times Asia 3月24日报道，ReRAM(可变电阻存储器)在人工智能、内存计算和旨在模仿人脑的应用方面优势明显，是下一代存储器的主要竞争对手。

ReRAM是一种阻变存储器，可以结合DRAM(动态随机存储器)的读写速度和SSD(固态硬盘)的非易失性，功耗更低，读写速度更快。ReRAM多用于神经拟态计算(类脑计算)，计算能力高，功耗低；但它还没有完全成熟，还面临着来自相变存储器(PCM)、铁电随机存取存储器(FRAM)等其他存储器的竞争。

一、“潜力股”ReRAM：可提供高密度非易失性存储和高效存内计算

ReRAM多用于类脑计算，甚至成为类脑计算的代名词。密歇根大学教授魏(Wei D.Lu)表示，由于ReRAM可以自己执行学习和推理功能，因此ReRAM阵列在内存计算架构中具有巨大的潜力。ReRAM还支持双向数据流，而更大的神经网络使用模块化系统，采用平铺的MPU架构来提高吞吐量。

去年，IEDM(国际电子器件会议)，电子领域的峰会，收集了关于促进各种存储器类型的最新研究论文。许多人致力于研究如何改善内存计算、人工智能、机器学习和类脑计算。

美国密歇根大学至少在十年前就已经开始研发ReRAM样机。该大学电气工程和计算机科学系教授Wei D.Lu表示，ReRAM具有提供高密度非易失性存储和高效内存计算的潜力，支持ReRAM的加速器可以突破冯诺依曼计算架构的瓶颈。Wei D.Lu教授概述了IEDM的一些设备，谈到了通过并行计算处理大型人工智能模型，还谈到了边缘计算应用的能力、延迟和成本。ReRAM还可以支持双向数据流，这有可能更好地促进内存计算。

目前有并行计算能力的CPU还是会遇到内存的问题。虽然GPU可以允许更快的内存访问，但Wei D.Lu教授表示，需要一种新的计算架构来从根本上提高吞吐量和计算效率。内存保护单元(MPU)可以显著提高并行性，也可以把内存和逻辑放在一起，从而实现设备级计算，更好地促进内存计算。

▲MPU推动内存计算(来源:密歇根大学)

二、ReRAM仍面挑战，PCM也可改善存内技术

魏D .陆教授表示，ReRAM器件尚未成熟，仍面临三个关键挑战:一是基于高精度模数转换器的读出电路；第二，器件的非理想性，包括器件因小区而异的影响；第三，ReRAM设备中的非线性和非对称电导会严重降低训练的准确性。

这三个挑战都有自己的解决方案。第一个挑战的解决方案包括使用多范围量化和二进制神经网络。Wei D.Lu教授表示，要解决第二个挑战，可以使用2T2R架构实现二进制权重，或者采用架构感知训练，这也有助于应对第三个挑战。混合精度训练可以训练较低精度格式的大型神经网络，以提高性能和计算，这也可以解决第二个和第三个挑战。

此外，PCM还可以改进内存中的计算。欧洲的IBM研究中心一直在探索利用PCM解决模拟内存计算的温度敏感性问题。IBM在Research的内存计算团队成员Irem Boybat表示，随着人工智能神经网络的蓬勃发展，计算机的计算效率还有待解决。深度学习是计算密集型的。人工智能要想可持续发展，就必须采用颠覆性的新计算机范式。

Boybat还表示，语言模型的规模正在呈指数级增长。据他介绍，大量的数据会从存储器传输到处理单元，不仅会增加传输成本，还会留下很大的碳足迹。

模拟内存计算通过在内存中执行一些计算任务来模糊内存和处理之间的边界，并通过内存设备的物理属性来实现。Boybat表示，PCM可以以非常密集的方式存储信息，其静态功耗可以忽略不计。在过去的一年中，IBM Research公开了两款基于PCM的内存计算芯片，展示了基于PCM的内存计算的潜力。

IBM的内存计算团队还研究了蘑菇型)PCM的温度敏感性。另外，根据芯片下放置的电阻加热器及其温度，预计芯片在30℃到80℃范围内不会卡死。

IBM Research的实验研究了温度变化和漂移对用于内存计算的多级PCM的影响。在IBM Research AI Hardware Center(IBM研究院AI Hardware Center)的支持下，IBM Research的研究团队发现，尽管PCM表现出与电导相关的温度敏感性，但其归一化分布在电导应用的时间-温度曲线中保持相对恒定。研究团队还开发了可靠的统计模型来探索温度对漂移和电导的影响，并根据PCM电导测量进行了验证。

研究团队使用超过一百万个PCM器件证明，在33℃到80℃的环境温度变化下，用简单的补偿方案实现并保持各种网络的高推理精度是可能的。

三、基于ReRAM的类脑计算：速度每三个月翻一番

随着人工智能计算的使用越来越多，大脑启发的硬件对人工智能的发展至关重要。以刘明为代表的中科院微电子所和复旦大学的研究人员表示，人工智能计算的使用速度促进了基于ReRAM的类脑计算(BIC)的工作。实现类脑计算的途径包括内存计算和神经拟态计算。

刘明说，基于ReRAM的类脑计算速度每三个月就能翻倍。新的内存技术可以在短期内增强现有的层次结构，但类脑计算可以在中长期内突破冯诺依曼计算架构的瓶颈。

▲类脑计算中长期可突破冯诺依曼计算架构瓶颈(来源:中科院微电子所)

类脑计算模型包括人工神经网络(ANN)和脉冲神经网络(SNN)。其中，ANN可以处理空域的连续信号；SN模仿大脑的工作方式，在生物学上更有可能。刘明表示，ReRAM具有丰富的开关动态，可以支持大规模集成、低功耗外围设备以及构建类脑计算芯片和系统的特定应用架构，为类脑计算提供了理想的平台。

ReRAM SNN将事件驱动表示集成到多核芯片中，具有高计算密度和高能效，可以为高性能计算提供潜力。可以低功耗执行的芯片将成为现实。刘明表示，经过来自模拟内存计算的许多其他机构十多年的研究，集成SNN多核将很快实现。但是，如果要开发适合实际应用的类脑计算芯片，研究人员在架构层面还有很多探索工作要做。

因此，ReRAM在人工智能和类脑计算应用方面潜力巨大，但仍面临FRAM的竞争。IEDM还关注磁阻随机存取存储器。2021年在IEDM，将有一整天的磁阻随机存取存储器会议和IEEE磁学协会的两项活动。

法国原子能委员会电子与信息技术实验室CEA-Leti展示了世界上首个基于FRAM的130nm 16-kbit阵列，并对其商业化进行了展望。超低功耗、高速、高耐久性、CMOS兼容的BEOL FRAM存储器，采用基于HfO2(二氧化铪)的新型铁电材料，不含铅，比PZT(压电陶瓷换能器)更环保。

FRAM的例子包括嵌入式应用，如物联网设备和可穿戴设备。这项工作得到了EU 3eFERRO联盟项目的支持，该项目旨在生产新的铁电材料，并使FRAM成为物联网应用中非易失性存储器的竞争候选。

此外，尽管许多IEDM研究论文倾向于在人工智能、类脑计算和内存计算等前沿应用中使用新兴内存，但提升现有内存(如动态随机存取存储器)仍是许多研究人员关注的焦点。

在IEDM，英特尔发表了几篇论文，包括芯片的规模改进和新功能。针对英特尔混合键合互连的设计、工艺和组装挑战，提出了封装互连密度提高10倍以上的目标。2021年7月，英特尔宣布推出Foveros Direct，支持10μm以下的凸点间距，从而将3D堆栈的互连密度提高了几个数量级。

IEDM的一些论文还讨论了英特尔如何通过堆叠多个CMOS晶体管来应对预期的后FinFET时代，旨在通过每平方毫米集成更多的晶体管来实现30%至50%的逻辑扩展改善，以继续推进摩尔定律。推进摩尔定律的另一项努力包括研究和使用只有几个原子厚的新材料来制造克服传统硅沟道限制的晶体管——在芯片的单位面积上增加数百万个晶体管，从而推动即将到来的“艾米时代”。

英特尔还概述了一项新的研究:通过在300mm晶圆上集成GAN基电源开关和硅基CMOS，研究硅的新功能，实现CPU的低损耗和高速供电，同时减少主板元件和空的数量。这种新的先进封装和制造工艺可能有助于现有的存储器在人工智能等新兴应用中释放新的发展潜力。

结语：ReRAM仍面临竞争

ReRAM作为当前类脑计算的主要载体，在高密度非易失性存储和内存计算方面具有很大的优势。基于ReRAM的类脑计算也可以在中长期突破冯诺依曼计算架构的瓶颈。它支持多种不同的AI算法，具有高计算能力和低功耗的特点。

同时，ReRAM还没有完全成熟，还存在器件不理想、基于高精度模数转换器的读出电路等问题。它还面临着来自PCM和FRAM的竞争。

来源:EE时代亚洲