AI 计算时代，25 年工龄的 RRAM 渐入佳境

导读：RRAM，一个非易失性新型存储器，突然火了。　　该新型存储器是以非导性材料的电阻在外加电场作用下，在高阻态和低阻态之间实现可逆转换为原理制造而成的存储器。由于结构简单、

　　RRAM，一个非易失性新型存储器，突然火了。

　　该新型存储器是以非导性材料的电阻在外加电场作用下，在高阻态和低阻态之间实现可逆转换为原理制造而成的存储器。由于结构简单、集成度高、低功耗等优点，一直被认为是最有可能突破传统器件限制的新型器件。

　　而RRAM 一路走来，却万分坎坷。从开始"上班"到不被看好，再到小有名气，RRAM花了25年：

　　2008 年，惠普公司提出一种被称为忆阻器（memristor）的 RRAM，将其用在面向未来的系统 "The Machine" 上。但惠普在这项技术上努力多年之后却转向了一种更加传统的内存方案，退出了忆阻器的道路。

　　对于一项新型技术来说，大厂长时间坚持后未果并抛弃，最为致命，更何况是两个：

　　2014 年前后，自 2011 年开始与索尼一同开发 RRAM 的美光退出项目，转而开始与英特尔合作重点开发另一种存储技术 3D XPoint。

　　从1990s到2010s，RRAM走过了功能机时代，跨过了智能终端时代，一直被研究，从未被大规模应用，几乎被时代遗忘。

　　而现如今，RRAM 又被大厂 " 相中 "，同时多了一大批坚定的拥护者：

　　2022 年 11 月，英飞凌和台积电宣布，两家公司正准备将台积电的电阻式 RAM（RRAM）非易失性存储器（NVM）技术引入英飞凌的下一代 AURIX? 微控制器（MCU）。

　　国内外多个半导体初创公司一心扑在 RRAM 上：

　　●成立于 2015 年的 Weebit Nano，试图利用 RRAM，满足物联网（IoT）设备、机器人、5G 通信和人工智能等一系列新电子产品中对更高性能和更低功耗内存解决方案日益增长的需求。

　　●成立于 2019 年的昕原半导体，打造基于 RRAM 技术的新型存储产品及相关衍生品，服务于 AIoT、人工智能、数据中心、智能汽车等新兴应用。

　　●成立于 2020 年的亿铸科技，研发基于 RRAM 的全数字存算一体大算力 AI 芯片，服务于云端数据中心、智能驾驶等对算力密度、能效比需求很高的应用场景。

　　······

　　本文想要探讨的是：RRAM 为何在现在让大厂回心转意？RRAM 要如何完成自己的逆袭之路？

　　" 团宠 "RRAM

　　逆袭始于 2021 年。

　　过去业内对于 RRAM 最大的质疑，无外乎 " 工艺不成熟、商业化迟迟不能落地 "。

　　而在 2021 年，晶圆代工厂台积电现身，为 RRAM 站台：宣布 40nmRRAM 进入量产，28nm 和 22nmRRAM 准备量产。

　　随后，国内同样传来利好消息：2022 年 2 月，昕原半导体主导建设的 RRAM 12 寸中试生产线顺利完成了自主研发装备的装机验收工作，实现中试线工艺流程的通线，并成功流片（试生产）。

　　质疑被一步步打破，RRAM正式迎来自己的逆袭之路。

　　首先是在学界，RRAM存在感直线上升，从探讨其潜力、可行性转变到证明其可靠性。

　　在 2008-2016 年前后，学界的文章关于 RRAM 的描述大多是 " 有潜能 "，团队大多是提出解决方案：

　　● 2009 年，惠普实验室论证了利用 Crosslatch 系统可以较为简单的实现堆栈，形成立体的内存结构，RRAM 在速度、密度等方面均具有极大的潜能，能有效替代目前的存储单元。

　　● 2016 年，在 VLSI（超大规模集成电路）国际研讨会上，中国科学院微电子研究所刘明院士的团队提出了自对准高性能自选通 RRAM 结构，为高密度、低成本三维垂直交叉阵列的制备提供解决方案。

　　而在 2022 年，大多文章是在推动RRAM的快速落地，通过设计、实验证明其有着足够的优势：

　　●在 2022 年度 ISSCC 会议上，台积电发表六篇关于存内计算存储器 IP 的论文，大力推进基于 RRAM 的存内计算方案。

　　●在中国半导体十大研究进展候选推荐（2022-025）中，有着 RRAM 的身影：

　　以中国科学院微电子研究所微电子刘明院士、张锋研究员为主导的团队，首次设计实现了基于三维垂直结构阻变存储器的存算一体宏单元芯片，实验表明三维阻变存储器不但可以完整的实现存算一体技术，同时证明了其在低功耗以及高算力、高密度方面的优势。

　　其次是在产界，芯片设计、制造厂商纷纷将RRAM纳入到自己的规划之中：

　　在代工厂方面，台积电、Crossbar、联电、中芯国际以及昕原半导体等均已建立了可量产的商业化 RRAM 产线：

　　例如 2022 年 6 月，昕原半导体宣布其 RRAM 新型存储技术通过严苛测试，" 昕 · 山文 " 安全存储系列 RRAM 产品成功交付工控领域头部企业禾川科技，实现在工业自动化控制核心部件的商用量产。

　　在商业化方面，RRAM 在市面上主要有两大应用方向，分别是存储应用与存算应用。

　　在存储应用上，目前有英特尔、松下等大厂将 RRAM 用于 MCU 领域 :

　　● 2013 年 7 月，松下推出了 8 位 MCU，该 MCU 集成了 0.18 微米 RRAM 技术，成为第一个将 RRAM 技术商业化的大厂；

　　● 2022 年 11 月，英特尔宣布，将非易失性存储器 RRAM 引入英飞凌的下一代 AURIX ? 微控制器 ( MCU )

　　除此之外，在去年的各大展会、论坛上，也有多家初创企业认可了 RRAM 的发展潜力，提出计划使用或者转向 RRAM 作为其未来发展 AI 芯片的存储介质。

　　在存算应用上，目前仅有国内的亿铸科技，试图基于 RRAM 通过存算一体架构实现 AI 大算力芯片，将其应用在中心侧与边缘侧的应用场景中，着眼于解决目前 AI 芯片 " 能效比不理想、算力密度不满足市场要求、软件部署成本高及效率低 " 等痛点。

　　学界、产界正将RRAM推向"C位"，视为团宠，这背后是AI市场的驱动。

　　现阶段，自动驾驶、智算中心、AR/VR 元宇宙、ChatGPT 等高密度计算场景的蓬勃发展，带动了以 AI 芯片为首的一大批新型半导体技术的爆发。

　　机会与挑战并存，随着AI算力需求走向100Tops、1000Tops甚至更高水平，以及对于能效比需求走向10TOPS/W、甚至100TOPS/W以上，传统冯·诺伊曼架构"招架不住"了。

　　这是因为在冯 · 诺伊曼架构之下，芯片的存储、计算区域是分离的。计算时，数据需要在两个区域之间来回搬运，而随着神经网络模型层数、规模以及数据处理量的不断增长，数据已经面临 " 跑不过来 " 的境况，成为高效能计算性能和功耗的瓶颈，也就是业内俗称的 " 存储墙 "。

　　存储墙相应地也带来了能耗墙、编译墙（生态墙）的问题。例如编译墙问题，是由于大量的数据搬运容易发生拥塞，编译器无法在静态可预测的情况下对算子、函数、程序或者网络做整体的优化，只能手动、一个个或者一层层对程序进行优化，耗费了大量时间。

　　这 " 三堵墙 " 导致算力无谓浪费：据统计，在大算力的 AI 应用中，数据搬运操作消耗 90% 的时间和功耗，数据搬运的功耗是运算的 650 倍。

　　于是，能够打破这三堵墙的"存算一体架构"渐入人们的视野。该架构将存储和计算的融合，彻底消除了访存延迟，并极大降低了功耗。同时，由于计算完全耦合于存储，因此可以开发更细粒度的并行性，获得更高的性能和能效。

　　目前，实现存算一体有两种存储器件的选择：

　　●第一种是基于易失性存储器，例如 DRAM 和 SRAM，但由于 DRAM 制造工艺和逻辑计算单元的制造工艺不同，无法实现良好的片上融合，而 SRAM 难以进行片上大规模集成，同时，因为 SRAM 和 DRAM 是易失性存储器，需要持续供电来保存数据，仍存在功耗的问题。

　　●第二种是结合非易失性新型存储器。新型存储器通过阻值变化来存储数据，而存储器加载的电压等于电阻和电流的乘积，相当于每个单元可以实现一个乘法运算，再汇总相加便可以实现矩阵乘法。在这种情况下，同一单元就可以完成数据存储和计算，消除了数据访存带来的延迟和功耗，是真正意义上的存算一体。

　　另外，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。RRAM 在 AI 大算力场景下似乎更具优势：

　　目前可用于存算一体的成熟存储器有 NOR FLASH、SRAM、DRAM、RRAM、MRAM 等。相比之下，RRAM 具备低功耗、高计算精度、高能效比和制造兼容 CMOS 工艺等优势：

　　也就是说，AI 计算整体市场的驱动，引发了 RRAM 在存算一体这一方向的爆发。随着人工智能市场规模不断扩大，属于 RRAM 的市场爆发很快就会到来，学界、产界难免要 " 蜂拥而至 "。

　　AI 大算力，RRAM 的 " 用武之地 "

　　当我们回顾存储器的发展时发现，目前主流的存储介质 NOR FLASH，同样经历了不被看好阶段：

　　2000 年前后的功能机时代，手机对内存的要求不高，NOR Flash 凭借着 NOR+PSRAM 的 XIP 架构，更快的读取速度、可随机访问等特点，得到快速发展。

　　好景不长，没过几年NOR Flash市场便不断萎缩：

　　2009 — 2016 年 NOR Flash 市场规模一路下降至低于 20 亿美元，存储大厂三星、美光等公司都逐步退出 NOR 市场。这是因为，到了智能机时代，大量吃内存的 APP 涌现，NOR 的容量小、成本高的缺点无法被掩盖，逐渐被容量充足、成本更低的 NAND 给取代。

　　但就在各大厂商关停 NOR 产线的同时，NOR Flash 喜迎 " 第二春 "。最主要的原因是，下游需求旺盛的 AMOLED 急需 NOR Flash 来 " 救场 "。

　　随着手机厂商苹果选择了 AMOLED 屏幕，AMOLED 的渗透率得到了大幅提升，AMOLED 相较于 LCD 而言，优点众多，但亮度不均匀、存在残像仍是它面临的两个主要难题，也就需要用到补偿技术。

　　业内纷纷选择外部补偿模式（内部补偿模式成本过高，技术难以达到）：挂一个存储器随时解决 AMOLED 面板的蓝色光会随时间消退的问题。

　　此时，NOR Flash 的高可靠性、快速读取使其比 NAND Flash 更为合适，且在外部补偿模式下，屏幕对于容量的要求并不高。

　　于是，NOR Flash 的需求又被快速带动起来，华邦、兆易创新（目前国内 NOR Flash 龙头）迅速崛起。

　　可以看到，找到合适的赛道，是以往存储器大放光彩的转折点。

　　RRAM 与 AI 大算力赛道，也同样如此。

　　原先，大家对 RRAM 的期望是纯存储应用，希望其成为下一代主流存储技术。但其容量和闪存相比，差别还很大，故在存储应用领域，RRAM 并不是最佳的选择，也就一直 " 被耽误 "。

　　如今，在 AI 大算力时代，由于存算一体架构解决了存储墙等问题，可以极大降低功耗，提升运算能效比。同时，RRAM 工艺逐渐成熟，可以支持大算力芯片的量产。此时，RRAM 具备的 " 低功耗、低延迟性、高密度 " 等优势愈发凸显，通过将 RRAM 存储技术与存算一体架构结合，无疑会产生 1+1>2 的效果，从而打造高算力、高能效比的 AI 芯片。

　　而在 AI 时代的多个应用中，RRAM 更适用于 AI 大算力赛道。

　　AI 大算力赛道，正面临着 " 井喷 " 的需求：

　　根据 IDC、浪潮信息联合发布的《2022-2023 中国人工智能计算力发展评估报告》显示，2021 年中国智能算力规模达到 155.2EFLOPS，预计 2026 年将达到 127.4EFLOPS，年复合增长率达到 52.3%。

　　这是因为，随着技术的突破、模型规模的不断增长，需要消化更大规模的数据，也意味着更高的算力需求。据 OpenAI 统计，从 2012 年到 2020 年，人工智能模型训练消耗的算力增长了 30 万倍，平均每 3.4 个月翻一番超过了摩尔定律的每 18 个月翻番的增速。

　　故，为满足对算力的要求，各行各业各地都在建设智算中心：

　　1 月 11 日，由国家信息中心联合浪潮信息发布的《智能计算中心创新发展指南》显示，当前全国范围形成智算中心建设的热潮：全国目前有超过 30 个城市正在建设或提出建设智算中心，整体布局以东部地区为主，并逐渐向中西部地区拓展。

　　AI大算力的下游市场"嗷嗷待哺"，基础设施正快马加鞭地建设，RRAM"大显身手"指日可待：

　　据国内基于 RRAM 设计存算一体 AI 大算力芯片的亿铸科技创始人、董事长兼 CEO 熊大鹏博士介绍，基于 RRAM 的存算一体 AI 大算力芯片可以在不增加物理空间的前提下，大大提升算力密度，大幅度降低能耗，减少采购和运维成本。

　　假以时日，RRAM将在AI大算力赛道上造就下一个里程碑。