六种最有前景的存储器技术大盘点

对神经形态计算的浓厚兴趣刺激人们研发出一系列全新的存储设备，这些设备可以复制生物神经元和突触功能。最近，一篇回顾该领域现状的论文对六种最有前景的技术进行了盘点和解读。

这篇题为“用于神经形态计算的新兴存储器件”的论文发表在1月份的《先进材料技术》（Advanced Materials Technologies）上。论文中，作者阐述了摆脱晶体管和冯·诺依曼架构转而采用与尖峰神经网络更紧密结合的技术的优势，尖峰神经网络是神经形态计算的基础。论文的目的是在神经形态计算中找出比CPU、GPU、DRAM和NAND等传统设备更快、更节能的设备。

论文作者盘点和介绍的六种存储器件包括电阻式记忆存储器（ReRAM）、扩散式忆阻器、相变存储器（PCM）、非易失性磁性随机存储器（MRAM）、铁电场效应晶体管（FeFET）和突触晶体管。下面我们具体地看一下。

ReRAM

ReRAM是基于电阻式随机存取的一种非易失性存储器。换句话说，关闭电源后存储器仍能记住数据。ReRAM可以由许多化合物制成，最常见的化合物是各种类型的氧化物。据论文作者介绍，ReRAM的主要优势在于其可扩展性、CMOS兼容性、低功耗和电导调制效应，这些优点让ReRAM可以轻松扩展到先进工艺节点，能够进行大批量生产和供应，并且能够满足神经形态计算等应用对能耗和速度的要求，所有这些都使ReRAM成为下一代存储器的主要竞争者。

ReRAM对神经形态计算的适用性与忆阻器根据施加电压的历史改变其状态的能力有关。由于这种能力，ReRAM具有生物神经元和突触的时间特性和模拟特性。基于ReRAM技术的人工神经突触是一种非常有前途的方法，可用于在神经形态计算中实现高密度和可缩放的突触阵列。不过，论文作者同时也指出，让这些忆阻器更均匀以便让它们可靠地运行仍然是一个挑战。

根据2017年的报道，由Wei Lu领导的密歇根大学电气工程和计算机科学系的一个小组演示了一个神经形态原型装置，该装置在交叉网络中使用了排列的忆阻器。作为Crossbar的首席科学家，Lu正在帮助实现该技术的商业化。Crossbar是他在2010年与他人共同创立的公司，目前正在与客户合作向市场推出Crossbar ReRAM解决方案。Crossbar的ReRAM技术是基于一种简单的器件结构，使用与CMOS工艺兼容的材料和标准的CMOS工艺流程。它可以很容易地在现有的CMOS晶圆厂中被集成和制造。并且由于是低温、后端工艺集成，Crossbar的ReRAM能够实现构建3D ReRAM存储芯片。除了Crossbar外，东芝、Elpida、索尼、松下、美光、海力士、富士通等厂商也在开展ReRAM的研究和生产工作。在制造方面，中芯国际（SMIC）、台积电（TSMC）和联电（UMC）都已经将ReRAM纳入自己未来的发展线路图中，格罗方德（GlobalFoundries）等其他企业对于ReRAM技术较为冷淡，正在开展其他内存技术的研发工作。

扩散式忆阻器

扩散式忆阻器是基于一种活性金属扩散动力学的忆阻器，这项技术也引起了研究人员的注意。论文作者表示，扩散式忆阻器能够利用其独特的电导行为来模仿突触可塑性，这一特征使他们能够忘记较早的、短期的信息，同时锁定更多相关的信息。

扩散式忆阻器由嵌入到一个氧氮化硅薄膜（位于两个电极之间）内的银纳米粒子簇组成。薄膜是绝缘体，通电以后，热和电共同作用使粒子簇分崩离析，银纳米粒子散开通过薄膜并最终形成一根导电丝，让电流从一个电极到达另一个电极。关掉电源后，温度下降，银纳米粒子会重新排列整齐。研究人员称，这一过程类似于生物突触内钙离子的行为，因此该设备能模拟神经元的短期可塑性。

在扩散式忆阻器揭露之前，也有研究人员使用漂移式忆阻器来模拟钙离子的动态。不过，漂移式忆阻器是基于物理过程，不同于生物突触，因此保真度和各种可能的突触功能都有很大的限制。研究扩散式忆阻器的研究员认为，扩散式忆阻器帮助漂移式忆阻器产生了类似真正突触的行为，结合使用这两种忆阻器带来了脉冲计时相关可塑性（ STDP）的天然示范，而 STDP 是长期可塑性学习规则的重要因素。

将扩散式忆阻器与ReRAM配对的实验装置能够实现无监督学习。这项工作由马萨诸塞大学的一个研究小组领导，团队恰好包括此篇论文的三位作者。截至目前为止，他们还没有商业行为。惠普公司多年来一直热衷于扩散式忆阻器，特别是其称为“机器”的概念系统。

相变存储器（PCM）

PCM是另一种高性能、非易失性存储器，基于硫属化合物玻璃。这种化合物有一个很重要的特性，当它们从一相移动到另一相时能够改变它们的电阻。该材料的结晶相是低电阻相，而非晶相为高电阻相，通过施加或消除电流来完成相变。与基于NAND的传统非易失性存储器不同，PCM设备可以实现几乎无限数量的写入。此外，PCM器件的优势还包括：访问响应时间短、字节可寻址、随机读写等，其也是诸多被称为能够“改变未来”的存储技术之一。

典型的GST PCM器件结构由顶部电极、晶态GST、α／晶态GST、热绝缘体、电阻、底部电极组成。一个电阻连接在GST层的下方。加热／熔化过程只影响该电阻顶端周围的一小片区域。擦除／RESET脉冲施加高电阻即逻辑0，在器件上形成一片非晶层区域。擦除／RESET脉冲比写／SET脉冲要高、窄和陡峭。SET脉冲用于置逻辑1，使非晶层再结晶回到结晶态。PCM器件就是利用材料的可逆变的相变来存储信息。

论文作者参考了许多使用相变材料的模拟性质进行神经形态计算的研究项目，其中包括一个提出完整的神经形态电路设计的项目，该项目使用PCM来模拟神经元和突触。

目前，英特尔、三星、美光科技和松下都已经开始PCM的布局，IBM研究院已经推出了可以作为非易失性缓存的PCM DIMM。几年前，IBM研究人员构建了一张PCI－Express PCM卡，可以连接到Power8服务器，并通过相干加速处理器互连（CAPI）接口交换数据。值得注意的是，中国存储制造厂商江苏时代芯存此前也宣布将投资130亿元人民币致力于PCM的研发，已经于2017年完成厂房的封顶和设备的采购，该公司认为PCM是21世纪的存储芯片标准

MARM

MRAM是一种非易失性的磁性随机存储器，以磁性方式存储数据，但使用电子来读取和写入数据。磁性特征提供非易失性，电子读写提供速度。MRAM拥有静态随机存储器（SRAM）的高速读取、写入能力，以及DRAM的高集成度，而且基本上可以无限次地重复写入。

不过，当前的MRAM存储元件也有其明显的产品短板。很多嵌入式系统都必须在高温下运行，而高温往往会损害MRAM的数据保存能力。另外，MRAM的保持力、耐久性和密度也需要得到进一步的提升。

在神经形态计算领域，MRAM也有着独特的优势。MRAM存储元件包括两个铁磁层，由自由层和固定层组成，中间夹着非磁性氧化层。MRAM通过克服将磁化从一个方向切换到另一个方向所需的阻力来工作。通过在自由层中加入域壁可以实现多种阻力状态。这些器件中开关态的随机性可以用来模拟突触的随机行为。

对于STT－MRAM的商业产品，Avalanche Technology、Spin Memory和Everspin Technologies都在布局。从商业角度来看，Everspin似乎是走得最远的。本月，该公司已经开始向客户提供1Gb的STT－MRAM设备。上面讲到，格罗方德等公司对ReRAM技术较为冷淡，不过对MRAM却很上心，包括格罗方德、英特尔和三星等都已经宣布将MRAM列入自己未来的产品计划中。

铁电场效应晶体管（FeFET）

FeFET存储器使用的铁电材料，可以在两种极化状态之间快速切换。与论文里面提到的其他技术一样，它可以在低功耗下提供高性能，同时还具有非易失性的附加优势，FeFET有望成为新一代闪存器件。

FeFET主要原理是在现有的逻辑晶体管上采用基于氧化铪基的High－K（高K）栅电介质＋Metal Gate（金属栅）电极叠层技术，然后将栅极绝缘体改性成具有铁电性质。FeFET并不是一个新鲜的事物，早在2008年，日本产业技术综合研究所与东京大学就联合宣布研发出FeFET的NAND闪存储存单元，号称大幅改良了NAND闪存的性能缺点。不过，到现在十年过去了，FeFET距离成为主流闪存产品仍然还有很长的路要走。

根据论文作者的说法，FeFET这种类型存储器的电压可以通过模拟突触权重的方式进行调整，突触权重是神经形态计算的重要元素。FeFET的一大优势是一些铁电化合物能够与传统的CMOS兼容，因此更容易集成到当下标准的计算平台中。当然，FeFET没有大规模商用也是因为其还存在明显缺点，主要是该技术还受到DRAM的一些限制，包括伸缩性、泄漏和可靠性等方面都有待提升。IEDM的一篇论文指出，SK 海力士、Lam及其它公司都对外表示，由于外部问题，铁电铪材料的实际开关速度比原本预期的要慢。

在商用层面，Fraunhofer、格罗方德和NaMLab从2009年就开始了FeFET的研发，SK 海力士、Lam等也有相关的研发计划。

突触晶体管

与论文中提到的其他技术不同，突触晶体管专门用于模拟神经元的行为。晶体管是三端子结构，包括栅极、源极和漏极。栅极使用电导将突触权重传递到通道，而源极和漏极用于读取该权重。电解质溶液用于调节通道的电导，实现神经形态功能的核心模拟行为。

中国国内的研究机构在突触晶体管的研发上有着不错的进展。2017年，中国科学院物理研究所／北京凝聚态物理国家实验室（筹）磁学国家重点实验室M06采用二维材料α－MoO3单晶薄片作为沟道材料制备了一种三端阻变器件，利用离子液体作为栅极，施加电场在二维材料间隙层中注入氢离子，实现了α－MoO3沟道电阻在低能耗条件下的多态可逆变化。在此基础上，研究人员通过改变脉冲电场触发次数、宽度、频率和脉冲间隔，成功模拟了生物学中的神经突触权重增强和减弱过程、短时记忆至长时记忆的转变、激发频率依赖可塑性（SRDP）和STDP等行为。

论文作者指出，突触晶体管拥有“卓越的性能”，甚至可能比生物等效物更好。不过，这项技术仍处于早期研究阶段，目前的实现方式在耐久性、速度和电解质方面都受到限制。此外，突触晶体管从未被证明可以作为神经网络进行连贯地工作。

总的来说，论文中提到的这些技术都有潜力来“显著提高计算速度，同时降低功耗”。论文作者承认每种技术都有自己特定的优势和劣势。他们认为，至少在可预见的未来，任何人工神经形态系统的实现仍然必须依赖CMOS电路来作为外围组件。作者在论文中这样写道：“为了使神经形态系统能够自立，这些新设备技术必须突飞猛进。这些技术是仍然需要持续发展的领域，通过材料科学家、设备工程师、硬件设计师、计算机架构师和程序员之间的强有力合作将有助于促进跨学科对话，以解决神经形态计算领域面临的诸多挑战。”