全球首款12nm模拟存算SoC流片

近日，硅谷模拟存内计算（A-IMC）初创公司TetraMem宣布，其基于多层RRAM技术的12nm A-IMC系统级芯片MLX300成功流片，公司称这是全球首款进入12nm FinFET节点的模拟存内计算SoC。MLX300是一款单芯片加速器，面向音频、视觉和较小规模的语言模型，片上最多支持6400万个INT4参数，模型权重无需外置DRAM，目标能效50至80TOPS/W。

MLX300规格指向低精度推理，模拟存算在12nm面临工艺考验

这次流片值得注意的背景是，TetraMem在2026年内先后完成22nm和12nm两次流片。距该公司22nm工艺的MLX200/MLX200M完成全掩膜流片仅过去数月，同一套RRAM模拟计算架构从成熟节点推进到了先进节点。但节点推进不等于性能兑现。

MLX300选择INT4，不是与GPU在训练侧正面竞争，而是在低精度推理这个精度窗口里，用模拟计算降低推理功耗。与数字存算一体（如SRAM-CIM）相比，模拟存内计算直接利用RRAM器件的电导值表征神经网络权重，一次电压输入即可在阵列内完成向量—矩阵乘法，乘加运算在RRAM阵列内完成，权重读取和计算合并，功耗可以降到传统架构的十分之一以下。数字存算一体是在存储器旁边加计算电路，精度可控、与CMOS兼容性好，但面积开销大，读写的能量节省往往被额外的数字逻辑抵消。模拟存算的代价是模拟信号对器件变异、噪声和线阻敏感，精度通常被限制在8比特以内，再往上误差会急剧放大。

选择INT4，是因为推理任务对数值冗余的要求低于训练，而对能效和片上存储密度的要求却很高，更适合模拟RRAM当前能稳定支持的位宽范围。6400万INT4参数全部放在片上、不依赖外部DRAM，权重读取不再经过冯·诺依曼瓶颈中的总线，这样权重不必搬到片外，可减少数据搬移。如果硅片实测能达到50—80TOPS/W的目标能效，将显著高于当前数字CIM在同等精度下的典型水平。

多层RRAM是MLX300提高片上参数容量的关键。单层RRAM通常只区分高阻和低阻两个状态，等效于1比特存储。多层RRAM通过控制编程电流和电压，在同一个器件内写出多个可区分的电导台阶，从而把单器件容量推到2比特甚至更高。对模拟存内计算而言，多层RRAM的直接收益是权重密度翻倍、阵列规模缩小，但代价是编程精度和读回一致性更难保证——台阶越多，相邻电导态之间的裕度越窄，器件漂移和噪声更容易使权重被读错。MLX300能把6400万INT4参数压进单芯片，多层RRAM是前提。它能否在12nm上维持足够的状态裕度，是流片后最值得观察的指标之一。

流片只代表设计定版，量产还要看良率和硅片测试。12nm FinFET上的多层RRAM模拟阵列，面临比22nm更紧的工艺窗口。器件之间的电导漂移、读写噪声、以及模拟—数字转换器（ADC）的面积和功耗开销，都会随节点缩小而更难管理。RRAM通常集成在金属互连层，12nm的后道热预算和线宽缩小会直接影响器件的开关一致性与良率分布；模拟阵列越大，线阻和寄生电容带来的IR压降越不可忽视；而ADC是模拟CIM里少数不会随节点缩小而自动改善的模块。22nm的MLX200已完成流片、制造和初步硅片验证，早期测试显示阵列功能具有较好一致性。MLX300的任务是把这套已验证的基本单元迁移到12nm节点，同时保持模拟行为可控。

MLX300走并行GPU路线，硅片数据仍待检验

在推理场景里，MLX300走的是与GPU并行而非替代GPU的路线。训练仍需要16比特以上的数值稳定度和高带宽互连，模拟计算短期内难以进入这一区间。但在音频唤醒、视觉感知、小语言模型端侧推理这些场景里，模型的参数规模落在数千万量级，INT4格式已经够用，功耗和成本才是真正的瓶颈。MLX300的6400万参数全片上设计面向这类负载。它不需要HBM，不需要先进封装，单颗SoC就是一台推理机器。边缘AI推理的功耗约束同样明显。许多终端设备的功耗预算只有毫瓦到瓦级，外部DRAM的待机和刷新功耗本身就占相当比例。权重全片上可减少外部DRAM访问，从而降低数据搬移功耗。

TetraMem的CEO Glenn Ge将这次流片描述为“从研究创新走向可制造硅片”的一步。流片是设计定版、进入制造流程的标志，但离量产良率、客户导入和软件栈成熟仍有距离。MLX200的评估样品预计2026年下半年才开始提供。MLX300能否把50—80TOPS/W从目标变成实测，以及12nm上的模拟RRAM在多大规模阵列下仍能维持推理精度，将是接下来的关键检验点。

如果MLX300的实测数据能达到规格水平，低精度推理将多一条基于RRAM的技术路线。