存储器迎来怎样的2023？

存储器的历史始于1984年，彼时 Masuoka 教授发明了 NAND Flash（NAND 闪存）。1989年，东芝首款 NAND Flash 上市。2001年，许多Flash厂商推出MLC NAND Flash。2007年，东芝推出3D NAND，三星也在2012年发布其第一代3D NAND。NAND Flash 技术几十年发展保留了相同的概念、堆叠（stack）和架构，存储密度随时间呈指数增长。

2010年以后，嵌入式存储器（embedded memories， 指“集成在片内与系统中各个逻辑、混合信号等IP 共同组成单一芯片中的存储器”）开始达到28nm节点，但是，存储器单元（cell）在面积收缩能力、复杂度进展缓慢，技术迭代的压力被转移到新兴内存和更先进的工艺节点上。

2015 年，英特尔和美光公司开发了基于相变存储器（PCM）的3D XPoint技术，填补 DRAM 和 Flash 之间的延迟差距，使新内存架构成为可能，也为非易失性内存（NVM）领域带来了创新。自2017年起，这项技术以 Optane品牌在公开市场上市。峰回路转，2021年美光不再认为3D Xpoint 的持续投资是合理的，宣布放弃3D Xpoint；2022年业界传出消息，英特尔正在关闭 Optane 业务部门。

3D XPoint 未成气候，或许表明“方向比努力更重要”，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。例如，模拟人脑的计算系统往往要求高能量效率、并行性以及诸如对象识别、联想、适应和学习的认知能力，对计算和内存之间的协同工作提出新要求。

此外，社交网络、流媒体和视频点播等的消费电子应用，以及智能家居、智慧城市等物联网应用盛行，连接网络的智能设备大量增加，数据量和数据中心增长快速，计算系统的能量消耗更多地受到数据传输的影响，而不是计算本身。

面对上述问题，业界需要计算系统结构的新规范，导致了以内存为中心和“存内计算 In-memory computing”系统的兴起。在进一步探讨这些技术之前，不得不提一下近期存储器的行情走向。

需求低迷、上游原厂减产

库存调整或贯穿 2023 年

存储器市场存在较强的周期性，交替出现短缺或者供应过剩的时期，导致价格变化、收入波动等情况，当前存储器市场有几个情况。

首先是降价。综合媒体和研究机构的消息，存储器的供需处于失衡状态。TrendForce 集邦咨询报告显示，NAND Flash 正处于供过于求的状态，下半年起，买方着重去化库存，大幅减少采购量，卖方开出破盘价以巩固订单，使第三季晶圆（Wafer）价格跌幅达30~35%。但各类 NAND Flash 终端产品仍疲弱，原厂库存因此急速上升，导致第四季 NAND Flash 价格跌幅扩大至15~20%。而绝大部分原厂的 NAND Flash 产品销售也将自今年底前正式步入亏损。原因是在高通胀影响下，消费电子产品需求疲软，第三季存储器出货量呈现每个季度递减的趋势，终端买方因存储器需求明显下滑而延缓采购，导致供应商库存压力进一步升高。

类似的，各 DRAM 供应商为求增加市占的策略不变，市场上已有“第三、四季合并议价”或“先谈量再议价”的情形，皆是导致第四季 DRAM 价格跌幅扩大至13~18% 的原因。

其次是减产。部分供应商在运营陷入亏损的压力下，减产以降低亏损是可能的对应方式。芯查查 APP 显示，美光已经于9月底宣布削减 DRAM 和NAND Flash 的产量，成为头家式降低产能利用率的制造商，并强调其在2023 年大幅下调资本支出，DRAM 生产比特的年增长率仅为 5% 左右。

NAND Flash 市场形势比 DRAM更为严峻，主流产能晶圆的平均合同价格已经下降到现金成本，并且正在接近各个制造商亏损销售的边缘。Kioxia（铠侠）在美光之后相继宣布，将从10月份起将 NAND Flash 产能利用率降低 30%。DRAM 目前的合同价格仍然高于主流供应商的总生产成本，因此与NAND Flash 相比，是否会有进一步的减产还有待观察。

减产对于芯片原厂的产品升级计划造成影响。美光原计划从四季度开始逐步提高232层 NAND Flash 的比例，减产之后，主流工艺估计2023年仍以176层产品为主。Kioxia 和 WDC 原计划从四季度开始迁移到162层产品，但是 WDC 减少2023年资本支出，加上需求能见度低，无法实现原定计划。

趋势 1

突破传统架构，RRAM（ReRAM）存算一体

有望提升计算系统能效比

文章开头提及，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，而此问题在数字式存算一体中可以得到很好的解决。