微电子未来的新兴非易失性存储器技术

在开发超越 CMOS 的微电子技术时，一个被广泛提及的挑战是找到冯·诺依曼计算和处理的替代方案（图 1)。人们迫切需要结合当今最佳特性的新型存储设备，包括与CMOS工艺流程的兼容性，以及突破SRAM（静态随机存取存储器）和闪存现有限制的可扩展能力。具备这些特性的存储技术将适用于模拟和数字处理中的独立和嵌入式存储器应用。根据2022年《国际设备和系统路线图》（IRDS），这种技术有望引发计算机架构的一场革命。非易失性存储器的研究始于20世纪60年代电荷存储器件的开发。此后又持续了30年，直到2010年嵌入式半导体存储器达到28纳米，但由于电荷泄漏，尺寸缩小遇到了障碍。非易失性存储器具有重要的优势，其非易失性程度以数据保存时间来衡量。闪存被认为是非易失性存储器的基石，因为它高度成熟、优化良好，并且在商业上占有重要地位。

图 1. (a) 一种简单的可视化方法，展示了非易失性存储器的发展历史。(b) 进展时间表。(c) 按成熟度分类的新兴存储设备分类法。(d) 2035 年预计的电路架构的特点是集成各种新兴存储技术，以满足设计芯片功能的要求。

原型存储器技术已经成熟，可以投入商业使用，并在文献中积累了丰富的科学、技术和系统知识库。电荷存储器器件无法达到纳米层厚度，这使得技术兴趣转向了NAND闪存单元的三维堆叠和“新兴”存储器器件。

图 1c确定了六大类新兴存储器的流水线，从较成熟到不太成熟：新型磁性存储器（MRAM）、铁电存储器（FeRAM）、以及基于氧化物的电阻存储器 (ReRAM)已展示出极具吸引力的特性，并已准备好进行演示，为商业化铺平道路。相变存储器（PCM或PRAM），导电桥接存储器 (CBRAM)、二维材料存储器 (2D RAM) 以及有机和分子存储器尚不成熟，但仍具备技术创新的条件 其他分子记忆，如莫特记忆和基于 DNA 的数据存储，仍处于早期探索阶段得益于新兴存储器的独特特性，包括非易失性、字节寻址、高密度、高可扩展性以及接近零待机功耗的需求，基于存储器的计算和处理将成为未来计算系统不可或缺的一部分。

新兴存储器与突触存储器的整合，预计未来几年将蓬勃发展，预计将彻底改变未来的计算架构，并在性能、能源效率和处理能力方面增强现有系统，从存储系统扩展到边缘和云环境，以及数据库系统和区块链分散式应用程序。

存储多样性及其优势

新兴存储器技术种类繁多，例如铁电存储器 (FeRAM)、氧化还原电阻存储器 (ReRAM)、磁存储器 (MRAM)、相变存储器 (PCM) 以及有机和分子存储器 (OMRAM)，可根据设计人员所需的规格和操作环境提供多种选择，从而满足特定的应用需求。每种技术都具有独特的优势，包括耐用性、效率以及对特定环境或任务的适用性。

高温非易失性存储器的研究满足了存储系统在极端条件下可靠运行的需求。这项研究填补了技术市场的重大空白，并拓展了存储设备在恶劣环境下的潜在应用。材料选择和制造精度方面的创新使存储设备能够在极端条件下（包括高温和高辐射）可靠运行，且性能不会下降——这对于航空航天和地热勘探行业至关重要。

在快速发展的存储技术领域，二维（2D）材料凭借其独特的物理特性和可扩展性，已成为一个充满希望的前沿领域。这些材料凭借其原子级可设计性以及与现有技术的兼容性，有望彻底改变存储设备市场。二维（2D）材料凭借其独特的特性，包括原子级厚度和设计灵活性，有望改变存储设备市场。它们有助于创建速度更快、更节能的存储设备，并能够与现有技术无缝集成，从而提升电子系统的整体性能。二维材料的可扩展性为存储设备的大规模生产铺平了道路。随着合成和转移工艺的不断进步，这些材料的应用范围越来越广泛，预示着存储技术发展的新纪元即将开启，以满足未来计算和数据存储的需求。

与传统内存技术不同，ReRAM 和 Synaptic RAM 支持内存计算，提供非易失性，从而实现低延迟和高能效的数据处理。它们能够直接在内存阵列内执行模拟乘法和累加运算，从而消除了内存和处理器之间高能耗数据传输的需求——而这正是传统冯·诺依曼架构的瓶颈所在。这使得它们成为边缘计算系统的理想选择，因为实时推理、低功耗和紧凑设计是此类系统的关键设计特性。

这些内存技术尤其适用于神经形态和自适应系统。突触随机存取存储器 (Synaptic RAM) 的灵感源自生物突触，可以实现诸如脉冲时序依赖可塑性 (STDP) 等学习规则，从而在动态变化的环境中实现基于硬件的学习和实时响应。对于无需持续云连接即可学习并适应新刺激的自主物联网设备而言，此功能至关重要。此外，xRAM（ReRAM、FeRAM、MRAM）或 PCM 存储器的非易失性使物联网系统能够在电源周期内保持运行状态，从而提高可靠性，并在功率受限或间歇供电的环境中实现即时启动功能。

随着对智能去中心化系统的需求日益增长，xRAM 和 Synaptic RAM 为可扩展、低功耗且强大的计算平台提供了途径。其高密度、兼容 3D 集成以及与 CMOS 电路单片集成的潜力，使其成为人工智能和物联网硬件发展的核心。这些技术支持分布式智能的愿景，可在智能传感器、边缘分析等广泛应用中实现无缝、自主且情境感知的计算。

柔性基板上的非易失性存储器：最新进展

在可穿戴电子产品、软体机器人和分布式物联网 (IoT) 系统等新兴应用的推动下，非易失性存储器 (NVM) 技术在柔性基板上的集成发展势头强劲。这些系统要求存储器不仅能在断电的情况下保存数据，还能承受弯曲、拉伸和扭曲等机械变形。在各种 NVM 技术中，ReRAM 和 FeRAM 在柔性平台上展现出了最先进的性能。ReRAM 具有简单的金属-绝缘体-金属结构且兼容低温处理，在 PET 和聚酰亚胺等聚合物基板上表现出了出色的机械耐久性和保留性。FeRAM，尤其是使用 P(VDF-TrFE) 或掺杂 HfO₂ 的 FeRAM，可提供低压开关和稳定的极化状态，在数千次机械循环中表现出可靠性。尽管挑战性更大，但 PCM 的有限演示和基于有机或二维磁性材料的柔性 MRAM 的早期探索也在进行中。

有机的分子记忆技术最近得到了广泛的研究，展现出在人工智能边缘计算和仿生设备领域的巨大潜力。具有可调分子结构及其相关电学、光学、热学和化学特性的有机材料，可以在特定的神经形态计算算法中替代传统的忆阻器件。有机材料和器件的挥发性和动态电特性可以模拟生物神经元和突触反应的功能，包括脉冲时间依赖性可塑性、脉冲速率依赖性可塑性以及长期和短期可塑性。

材料和制造技术（例如喷墨打印、转印和室温沉积）的最新进展使得非易失性存储器 (NVM) 能够直接在塑料基板上制造，且不会损害机械完整性。利用二维材料和纳米结构电介质的混合材料系统增强了器件在应变条件下的性能。尽管取得了这些进展，但在实现长期机械可靠性、保持弯曲条件下的数据保留以及将柔性非易失性存储器 (NVM) 与逻辑和传感元件集成到完全柔性系统中方面仍然存在挑战。未来的工作将集中于单片集成、整个存储器阵列的增材制造，以及开发可在动态环境中稳定运行的可靠封装方法。

随着这些障碍被克服，柔性非易失性存储器 (NVM) 将成为自适应、可贴合电子设备的支柱，这些电子设备可与周围环境无缝集成。柔性神经形态集成电路可以轻松与有机和分子存储技术相结合。在这些应用中，神经网络模型可以在集中式、更强大的 AI 处理芯片上进行训练。训练完成后，模型可以转移到柔性神经形态集成电路，这些电路可以放置在生化传感器附近，并作为这些分布式传感器的本地处理单元。有机和分子存储技术提供的独特功能和应用场景进一步扩展了 AI 计算的范围，使其能够应用于可穿戴和植入式生物医学应用中的分布式计算和传感系统。

限制新兴内存技术应用的关键知识差距包括：（a）消除导致写入耐久性有限和寿命更短的材料杂质和不均匀性，（b）识别影响计算和处理中内存使用的非线性动态和模拟噪声，以及（c）减少内存重新编程所需的时间以及相关的写入能耗。

新兴存储的实现和利用

新兴存储材料的制造需要在沉积过程中保持超高真空条件。先进的制造设备确保存储器件的高精度生产，并保持无污染。沉积和表征集成工具的开发和使用，有助于创建具有精确材料特性和结构完整性的存储器件。这些工具实现了器件制造不同阶段之间的无缝过渡，确保材料的纯度和功能在整个过程中保持完好。这不仅提升了存储器件的性能，还显著延长了其使用寿命和可靠性。

了解存储器件所用材料的基本特性至关重要。开发初期的错误可能会导致后期严重的性能问题。新兴存储器在存储应用中需要快速且低能耗的切换，从而实现高效的数据读写，同时最大限度地降低功耗。相比之下，存储器件必须在编程后保持稳定性，以确保可靠的内存计算。一旦编程完成，器件将在计算过程中被多次读取，因此，在这些读取过程中展现可重复性和耐久性对于精确处理至关重要。表征技术的改进，例如对不同器件区域的原位测量和详细的统计分析，有助于更深入地了解材料的行为和性能。这将带来更一致、更可靠的存储器件，这对于其在高风险行业中的应用至关重要。针对新兴存储器件的多通道测试系统的开发，有助于提高测试过程的效率和精度。这些测试系统对于设计和开发能够满足人工智能模型计算需求的节能硬件至关重要，从而显著降低这些技术的能耗。每一项进步都旨在解决内存技术领域的特定挑战，为未来的创新奠定基础，这些创新可能会重新定义内存设备在各种技术平台上的集成和使用方式。

随着这些技术的发展，它们不断突破计算领域的极限，预示着速度、效率和可靠性的新时代的到来。存储器技术的发展不仅凸显了潜在的创新和技术突破，也强调了当前亟待解决的挑战。这些挑战可以归结为五类：(a) 材料合成、制造精度和表征；(b) 器件的可扩展性、寿命可扩展性和可重复性；(c) 材料-器件多模态表征；(d) 器件互连以及与现有和新型CMOS技术的兼容性；以及 (e) 封装和异构集成。

图 2. 使用二维材料的 3D 集成神经形态硬件路线图示意图。经 Kim, SJ 等人许可转载，题为“基于二维材料的神经形态硬件 3D 集成”，NPJ 2D Mater. Appl. 8, 70 (2024)，《自然》。

在材料合成方面，选择能够承受极端条件（例如高温和高密度）的材料，同时满足人工智能和机器学习应用的计算需求是一项挑战。此外，材料必须精确组合以确保稳定性和功能性。开发用于选择新型复合材料的人工智能/机器学习方法可以加速合成过程。获得高质量的材料需要制造精度，这对于避免可能降低内存性能的缺陷至关重要。这包括在薄膜沉积过程中保持超高真空条件以防止污染。高质量的材料可以提供器件的稳定性、可重复性和可扩展性。

二维 (2D) 材料因其原子厚度下独特的电学、机械和热学特性，对新兴非易失性存储器 (eNVM) 技术的发展至关重要。其原子级薄度特性使其能够突破传统半导体极限，实现低功耗超高密度存储器集成。石墨烯、过渡金属二硫化物（例如 MoS2、WS2）和六方氮化硼等材料具有高载流子迁移率、可调带隙和缺陷工程开关特性，非常适合新兴非易失性存储器 (eNVM) 器件中的电阻开关、铁电行为和电荷捕获机制。此外，它们的机械柔韧性和化学稳定性使其适用于传统材料所不及的柔性和可穿戴电子产品。这些特性使得下一代存储器件能够实现快速开关速度、高耐久性和高保留率，这对于内存计算和人工智能应用至关重要。

尽管存储器件技术潜力巨大，但二维材料也面临着一系列独特的挑战。持续生产大面积、高质量的单晶二维材料是一项重大的技术难题，必须克服这一障碍才能实现广泛的应用。这些材料易受氧气和湿气等环境因素的影响，从而损害其性能。开发有效的封装和保护策略对于这些材料的实际应用至关重要。将二维材料与现有制造工艺（尤其是CMOS技术）相结合，需要低温生长技术和无损转移方法的创新。

为了满足商业可行性和制造精度所需的高标准，先进的表征技术至关重要。实现器件不同部分表征的可重复性至关重要，但由于材料行为和缺陷的多样性，这一过程也极具挑战性。实时原位测量对于理解存储器件在运行过程中的动态相互作用至关重要，同时也带来了重大的技术挑战，尤其是在将透射电子显微镜 (TEM) 等工具应用于实时电偏置时。

开发能够在极端温度下运行的存储器技术面临着一项重大挑战：研发能够承受反复温度应力并保持数据完整性的材料。此外，将这些存储器技术与其他耐高温组件（例如碳化硅 (SiC) 晶体管）集成，在确保可靠性和性能方面也面临着巨大的工程挑战。为人工智能或神经形态应用开发节能硬件需要测试系统能够处理忆阻器等新兴存储器技术所要求的高并行性；这是一项复杂且技术挑战性的任务。将具有内存计算功能的存储器设备集成到人工智能硬件平台中，需要克服系统架构和设备互操作性方面的重大障碍。

此外，开发能够满足 GPT-3 等 AI 应用所需密度和可扩展性的互连技术仍然是一项艰巨的挑战。先进的键合技术对于在不影响性能的情况下将密集忆阻器阵列与其他系统组件集成至关重要。这些技术在人工智能 (AI)、机器学习 (ML) 和物联网 (IoT) 等下一代计算系统的开发中发挥着变革性的作用。

未来计算系统中的数字到突触的转变

现代计算系统建立在针对速度、精度和逻辑确定性进行优化的数字架构之上。虽然这些系统在常规任务中表现出色，但它们正日益面临数据密集型人工智能 (AI)、机器学习 (ML) 和物联网 (IoT) 应用的需求压力。传统的冯·诺依曼架构存在“内存墙”问题，即内存和处理器之间数据传输的能耗和延迟成本决定了系统整体性能。这面内存墙激发了人们对受大脑启发的计算范式日益增长的兴趣，特别是那些利用突触行为实现局部化和节能计算的范式。

数字到突触的转变是指从离散的、基于逻辑的数字操作逐渐转变为模拟生物计算的模拟或事件驱动的突触行为。在当前的混合系统中，模拟和数字输入被转换成类似突触的信号，例如电流脉冲或电压波形，这些信号直接控制忆阻器或神经形态设备（英特尔）中的记忆状态或神经元激活。这些转变已经体现在边缘人工智能设备、神经形态协处理器以及将存储和处理功能结合在单个物理层中的实验性交叉开关阵列中。此类架构利用受生物启发的机制（包括脉冲时序依赖可塑性 (STDP)）实现了内存计算和实时学习。

然而，从模拟到数字以及从数字到模拟脉冲的转变会给系统带来额外的能量需求，从而降低其熵。在以模拟形式接收信息的系统中，从模拟到脉冲的直接转变将催化全突触系统的发展，其中处理和计算主要由稀疏、异步和局部交互主导——类似于人脑中的交互。未来的人工智能系统将越来越多地采用端到端模拟计算，从而消除许多任务对集中式数字逻辑的需求。脉冲神经网络 (SNN) 和事件驱动架构即将成为主流，它们将与新型传感器（例如动态视觉传感器 (DVS)）集成，形成能够实时响应和适应现实世界刺激的闭环系统。这些系统将显著提升能源效率、响应能力和适应性，这对于自主代理、智能传感器和可穿戴设备至关重要。

在信息以数字形式传输的系统中，从数字到突触的转变标志着计算构想和实现方式的根本性转变。数字逻辑并非作为核心计算引擎，而是作为管理和协调突触过程的接口。随着材料、设备和算法的进步不断融合，突触计算将赋能下一代智能、分布式和自适应系统，从而扩展人工智能、机器学习和物联网的功能，突破当前的限制。