公眾號記得加星標??，第一時間看推送不會錯過。

存儲技術是現代計算系統的核心，從基本的數據存儲到更復雜的任務，例如用于人工智能（AI）和機器學習（ML）應用的“內存計算”（In-memory computing），都依賴于它們的支持。這些技術最初只是用于數據保留，但如今正逐步演進以適應新的計算范式，比如“內存計算”，即在存儲陣列中直接進行數據處理。這種演進大幅提升了計算效率，因為它減少了處理器與存儲器之間的數據傳輸，從而提高速度并降低能耗——這對于AI和ML等高負載任務尤為關鍵。正是這些苛刻的性能需求，正在推動技術革新突破傳統互補金屬氧化物半導體（CMOS）范式的限制。

新興非易失性存儲（eNVMs）代表了一類極具前景的技術，可用于替代或增強傳統的易失性存儲器（如隨機訪問存儲器 RAM）。與斷電即失去數據的RAM不同，eNVMs能夠在斷電或系統關閉的情況下依然保持數據完整性。本文綜述了多種新興存儲材料和器件架構，包括電阻式隨機存取存儲器（ReRAM）、磁性隨機存取存儲器（MRAM）、鐵電隨機存取存儲器（FeRAM）和相變存儲器（PCM）。此外，還探討了基于二維材料和有機材料的新型eNVMs，并討論了從傳統數字計算向類突觸計算的轉變，以及這種轉變如何為解決人工智能在加速科研發現中面臨的技術瓶頸帶來新機遇。本文系統分析了當前的技術進展、發展軌跡以及仍需攻克的主要挑戰。

非易失性存儲器在后CMOS時代的角色

在后CMOS微電子時代，一個廣泛被關注的挑戰是如何突破馮·諾依曼計算架構的限制（見圖1）。當前急需一種能兼具多種優點的新型存儲器，包括兼容現有CMOS工藝流程，并能突破靜態隨機存儲器（SRAM）和閃存的規模瓶頸。具備這些特征的存儲技術，將可適用于模擬與數字處理中的獨立存儲或嵌入式存儲。根據2022年《國際器件與系統路線圖（IRDS）》報告，這類技術有望引發計算架構的一場革命。

非易失性存儲器的研究可追溯到20世紀60年代的電荷存儲設備，其研究持續了幾十年，直到2010年嵌入式半導體存儲技術縮小到28納米節點，但隨后由于電荷泄漏問題，進一步的微縮發展遇阻。非易失性存儲器的關鍵優勢之一是其數據保持能力（非易失性程度），通常以可保持數據的時間長度來衡量。當前，閃存由于技術成熟度高、優化完善并擁有廣泛的商業應用，被視為非易失性存儲的基準技術

圖1

(a) 非易失性存儲發展歷程的可視化表示；(b) 技術發展的時間線；(c) 按成熟度劃分的新興存儲器設備分類；(d) 到2035年的電路架構預測，其特點是集成多種為滿足芯片功能需求而選擇的新興存儲技術。

典型的存儲技術如今已發展至具有商業可用性，并在文獻中建立了完整的科學、技術和系統知識體系。由于電荷型存儲器難以實現納米級層厚，目前技術關注點已轉向NAND閃存的三維堆疊結構及各類“新興”存儲器。圖1c展示了六大類主要新興存儲技術，按成熟度從高到低依次為：新型磁性存儲（MRAM）、鐵電存儲（FeRAM）、基于氧化物的電阻式存儲（ReRAM），這些技術已展現出良好的特性，具備進入商用驗證階段的條件。而以下技術尚處于早期發展階段，但仍具有較大的技術突破潛力：相變存儲器（PCM或PRAM）、導電橋式存儲器（CBRAM）、二維材料存儲器（2D RAM）、有機和分子存儲器。其中某些分子級存儲技術，如莫特存儲器和DNA數據存儲，目前仍處于初步探索階段。

由于具備非易失性、字節尋址、高密度、高可擴展性和接近零待機功耗等獨特特性，基于存儲的計算和處理將在未來計算系統中發揮不可替代的作用。隨著類突觸存儲器的快速發展，未來將其與新興存儲器結合，有望徹底改變計算架構，提升系統性能、能效及處理能力，適用于從存儲系統到邊緣與云環境、數據庫系統乃至區塊鏈去中心化應用的各個層面。

存儲技術的多樣性及其優勢

新興存儲技術的多樣性（如鐵電存儲器 FeRAM、氧化還原電阻式存儲器 ReRAM、磁性存儲器 MRAM、相變存儲器 PCM，以及有機與分子存儲器 OMRAM）為特定應用需求提供了多樣化的選擇，允許設計者根據所需的規格與運行環境進行靈活配置。每種技術都具備獨特優勢，如耐久性高、能效優良，以及適配特定環境或任務的能力。

針對高溫環境下的非易失性存儲器的研究，回應了在極端條件下對可靠運行的需求。這類研究彌補了現有技術市場中的重要空白，并拓展了存儲器在惡劣環境下的潛在應用。例如，通過材料選擇的創新與制造精度的提升，使得存儲設備即使在高溫、高輻射等極端條件下仍可穩定工作，這對航空航天與地熱勘探等行業至關重要。

在快速發展的存儲技術領域，二維材料（2D materials）因其獨特的物理特性和良好的可擴展性，正成為一條極具前景的新路徑。這些材料由于具有原子級的可設計性，并且能與現有技術兼容，有望徹底革新存儲設備。二維材料的特性如原子級厚度與結構設計靈活性，使得它們能實現更快速、更節能的存儲器，并與當前電子技術無縫集成，提升整個系統的性能。隨著材料合成和轉移工藝的不斷進步，二維材料的規?；瘧谜饾u成為現實，預示著新一代存儲技術的發展將迎來一個全新階段，足以滿足未來計算和數據存儲的需求。

與傳統存儲技術不同，ReRAM 與類突觸存儲器（Synaptic RAM）支持“內存計算”（In-Memory Computing），具備非易失性，能夠實現低延遲、低能耗的數據處理。它們能夠在存儲陣列內部直接執行類比乘加操作，省去了傳統馮·諾依曼架構中能耗巨大的“存儲-處理器”數據傳輸瓶頸。這使得它們非常適合邊緣計算系統，尤其是在實時推理、低功耗和緊湊型設計等關鍵要求下的應用場景。

這些存儲技術特別適用于類腦計算和自適應系統。類突觸RAM受生物突觸的啟發，能夠實現如“脈沖時序依賴可塑性（STDP）”等學習機制，從而實現基于硬件的學習與在動態環境中的實時響應。這一能力對于自主學習的物聯網設備（IoT）至關重要，使其無需持續連接云端即可感知并適應新環境。此外，xRAM（如 ReRAM、FeRAM、MRAM）或 PCM 的非易失特性，使物聯網系統在斷電后仍能保持操作狀態，增強了系統的可靠性，并在受限供電或間歇供電環境中實現即時喚醒功能。

隨著對智能、去中心化系統的需求日益增長，xRAM 和 Synaptic RAM 正成為實現可擴展、低功耗和高魯棒性計算平臺的重要技術路徑。它們具有高密度、支持 3D 集成、可與 CMOS 電路單片集成等優勢，在 AI 和 IoT 硬件架構演進中扮演著核心角色。這些技術為“分布式智能”愿景提供支撐，使計算系統能夠在智能傳感器、邊緣分析等廣泛場景中實現無縫、自治和具備上下文感知能力的運行。

圖 2. 使用二維材料的三維集成類腦硬件路線圖示意圖。轉載自 Kim, S.J. 等人，“基于二維材料的三維集成類腦硬件”，《NPJ 二維材料與應用》2024年第8卷，第70頁，經Nature許可轉載。

柔性基底上的非易失性存儲器：

前沿技術綜述

將非易失性存儲器（NVM）技術集成到柔性基底上，近年來獲得了廣泛關注，主要受可穿戴電子設備、軟體機器人以及分布式物聯網（IoT）系統等新興應用的驅動。這類系統不僅要求存儲器具備斷電數據保留能力，還需能承受彎曲、拉伸、扭轉等機械形變。在眾多NVM技術中，ReRAM 和 FeRAM 在柔性平臺上的表現最為先進。

ReRAM 由于其金屬-絕緣體-金屬的簡單結構和對低溫工藝的良好兼容性，在聚合物基底（如 PET 和聚酰亞胺）上展現出優異的機械耐久性與數據保持能力。FeRAM（尤其是基于 P(VDF-TrFE) 或摻雜 HfO? 的器件）則具有低電壓開關和穩定的極化狀態，在經歷數千次機械循環后仍保持可靠性。盡管更具挑戰性，基于有機材料或二維磁性材料的柔性 PCM 和 MRAM 也已進入初步研究與演示階段。

有機和分子存儲技術也正迅速發展，在 AI 邊緣計算和類生物設備中展現出巨大潛力。有機材料具備可調的分子結構以及相應的電學、光學、熱學和化學性質，能在某些神經形態計算算法中替代傳統憶阻器。這些材料及器件的易揮發性和動態電學特性，使其能夠模擬生物神經元和突觸的響應功能，包括脈沖時序依賴可塑性（STDP）、脈沖頻率依賴可塑性、以及短期與長期可塑性等。

近年來，隨著材料和制造技術的進步（如噴墨打印、轉印技術和室溫沉積工藝），人們已經能夠在塑料基底上直接制造非易失性存儲器，而不會破壞其機械完整性?；诙S材料和納米結構電介質的混合材料系統進一步提升了設備在受應力條件下的性能表現。盡管取得了這些進展，仍存在挑戰，例如：如何實現長期機械可靠性、在彎曲狀態下保持數據、以及如何將柔性NVM與邏輯和傳感元件集成，構建完整的柔性系統。未來的研究將聚焦于單片集成、整個存儲陣列的增材制造，以及開發穩健的封裝方法，以實現動態環境下的穩定運行。

隨著上述障礙被逐步克服，柔性非易失性存儲器（NVM）將成為可適應、貼合環境的電子設備的核心。這些柔性神經形態集成電路可以與有機和分子存儲技術輕松結合。在這類應用中，神經網絡模型可在中央高性能AI芯片上訓練完成，之后模型被部署到柔性神經形態集成電路上，靠近生化傳感器，用于本地化處理。這種模式特別適合可穿戴或植入式生物醫學設備，將 AI 計算能力拓展到分布式計算與傳感系統中。

制約新興存儲技術應用的關鍵知識空白包括：(a) 消除材料雜質與不均勻性，這些因素會導致寫入耐久性差、壽命短；(b) 弄清楚非線性動態行為和模擬噪聲對存儲器在計算與處理中的影響；(c) 縮短存儲器重編程所需時間，并降低寫入過程的能耗。

新興存儲器的制造與使用

新興存儲材料的制造往往需要在超高真空環境中進行沉積工藝。精密的制造設施能夠確保存儲器件具有極高的制備精度，并避免污染物引入。使用一體化的沉積與材料表征工具，可以在不同制造階段實現無縫銜接，確保材料在整個流程中的純凈性和功能完整性。這些高端工具的使用不僅提升了存儲器性能，還大幅延長了器件的工作壽命和運行可靠性。

理解用于存儲器件中的材料的基本屬性是至關重要的。在開發早期所犯的錯誤可能會在后續階段引發嚴重的性能問題。將新興存儲技術用于存儲應用時，需要實現快速且低能耗的開關，以在消耗最小能量的同時高效地進行數據寫入和讀取。相比之下，存儲器件在編程之后必須保持穩定，以確?？煽康膬却嬗嬎?。一旦被編程，器件在計算過程中將被多次讀取，因此在這些讀取過程中展示出良好的重復性和耐久性，對于實現準確的處理至關重要。表征技術的改進，例如原位測量和跨器件區域的詳細統計分析，有助于更深入地理解材料的行為和性能。這將帶來更加一致和可靠的存儲器件，這對于其在高風險行業中的應用至關重要。

用于新興存儲器件的多通道測試系統的發展促進了更加高效和精確的測試過程。這些測試系統對于設計和開發能夠滿足AI模型計算需求的節能硬件是必不可少的，能夠顯著降低這些技術的能耗。每一項進展都在應對存儲技術領域中的特定挑戰，為可能重新定義存儲器件在各種技術平臺中集成和使用方式的未來創新奠定基礎。隨著這些技術的演進，它們不斷推動計算能力的邊界，預示著一個速度更快、效率更高、可靠性更強的新時代的到來。存儲技術的發展不僅揭示了潛在的創新和技術突破，也凸顯了當前亟需解決的挑戰。這些挑戰可以歸為五個類別：（a）材料合成、制造精度與表征；（b）器件可擴展性、壽命與可重復性；（c）材料與器件的多模態表征；（d）器件互連性及與現有和新型CMOS技術的兼容性；以及（e）封裝與異構集成。

在材料合成方面，選擇既能承受極端條件（例如高溫和高密度）又能滿足AI和ML應用計算需求的材料是具有挑戰性的。此外，材料必須精確定義其組成成分，以確保其穩定性和功能性。開發AI/ML方法來選擇新的復合材料可以加速合成過程。實現高質量材料需要制造過程中的精度控制，這對于避免可能降低存儲性能的缺陷至關重要。這包括在薄膜沉積過程中維持超高真空狀態，以防止污染。高質量的材料能夠為器件提供穩定性、可重復性和可擴展性。

由于在原子尺度下具有獨特的電學、機械和熱學特性，二維（2D）材料對新興非易失性存儲（eNVM）技術的發展至關重要。其原子級薄度使其能突破傳統半導體的縮放極限，實現超高密度和低功耗的存儲集成。諸如石墨烯、過渡金屬二硫族化物（例如MoS?、WS?）以及六方氮化硼等材料提供了高載流子遷移率、可調節帶隙以及可通過缺陷工程實現的開關特性，非常適用于新興非易失性存儲（eNVM）器件中的電阻開關、鐵電行為和電荷俘獲機制。此外，其機械柔性和化學穩定性使其適用于柔性和可穿戴電子產品，在這些領域傳統材料表現不佳。這些特性使得下一代存儲器件的實現成為可能，這些器件具備快速切換速度、優異的耐久性和保持能力，而這些都是實現內存計算和AI應用所必需的。盡管這項技術在存儲器件中具有巨大潛力，但二維材料也帶來一系列獨特的挑戰。穩定生產大面積、高質量的單晶二維材料是一項必須克服的重要技術障礙，以實現其廣泛應用。這些材料容易受到包括氧氣和濕氣在內的環境因素影響，這可能破壞其性能。開發有效的封裝和保護策略對于實際使用這些材料至關重要。將二維材料與現有制造工藝（尤其是CMOS技術）集成，還需要在低溫生長技術和無損轉移方法方面實現創新。

為了滿足商業可行性和制造精度所需的高標準，必須采用先進的表征技術。在不同器件區域實現表征結果的可重復性至關重要，但由于材料行為和缺陷的變異性，這一目標極具挑戰性。實時原位測量對于理解器件運行過程中內部的動態交互是至關重要的，但這在技術上也帶來了重大挑戰，尤其是在改造如透射電子顯微鏡（TEM）這類工具以實現帶電偏置的實時操作方面。開發能在極端溫度下運行的存儲技術也面臨重要挑戰：即如何創造出能夠在反復的溫度應力下保持數據完整性的材料。此外，要將這些存儲技術與其他高溫環境下可用的元件（如碳化硅SiC晶體管）集成，也帶來了巨大的工程挑戰，以確保整體的可靠性和性能。為了AI或類腦應用開發節能硬件，也需要測試系統能夠處理新興存儲技術（如憶阻器）所要求的高并行度，這是一項復雜且具有技術挑戰的任務。將具備內存計算能力的存儲器件集成到AI硬件平臺中，還必須克服系統架構和器件互操作性方面的重大障礙。

此外，開發能夠支持如GPT-3等AI應用所需的密度和可擴展性的互連技術仍是一項艱巨的任務。先進的鍵合技術對于在不損害性能的前提下，將高密度憶阻器陣列與其他系統組件集成至關重要。這些技術在開發面向人工智能（AI）、機器學習（ML）和物聯網（IoT）的下一代計算系統中扮演著變革性的角色。

未來計算系統中的“數字轉類突觸”過渡

現代計算系統構建在以速度、精度和邏輯確定性為優化目標的數字架構基礎之上。雖然這些系統在傳統任務中表現優異，但在應對人工智能（AI）、機器學習（ML）和物聯網（IoT）等數據密集型應用的需求時正面臨日益嚴重的壓力。傳統的馮·諾依曼架構存在“內存墻”問題，即內存與處理器之間數據傳輸所需的能耗與延遲成為影響系統整體性能的主導因素。這一“內存墻”問題引發了人們對類腦計算范式日益增長的興趣，尤其是那些能夠利用突觸行為實現本地化與高能效計算的架構。

圖 3. 具有流體離子導向納米通道的類腦計算。轉載自 Kamsma, T. M.，《納米通道》，第121卷，第18期（2024），經PNAS許可轉載。

從數字到類突觸的轉變是指從離散的、基于邏輯的數字運算逐步轉向模擬或事件驅動的類突觸行為，這些行為模仿生物計算的方式。在當前的混合系統中，模擬和數字輸入被轉換為類突觸信號，如電流脈沖或電壓波形，這些信號直接控制憶阻或類腦器件（如Intel）中的存儲狀態或神經元激活。這些轉變已經在邊緣AI設備、類腦協處理器和實驗性的交叉陣列中顯現出來，這些系統將存儲和處理結合在單一的物理層中。這類架構通過生物啟發機制（包括脈沖時序依賴可塑性STDP）實現內存計算和實時學習。然而，從模擬到數字、從數字到模擬脈沖的轉換對系統提出了額外的能量需求，從而降低了系統的熵。

在信息以模擬形式接收的系統中，模擬信號直接轉變為脈沖將促進完全類突觸系統的發展，在這些系統中，處理和計算由稀疏、異步和局部交互主導，類似于人腦中的交互方式。未來的AI系統將越來越多地采用端到端的模擬計算，消除在許多任務中對集中式數字邏輯的需求。脈沖神經網絡（SNN）和事件驅動架構有望成為主流，并與新型傳感器（如動態視覺傳感器DVS）集成，形成對真實世界刺激進行實時響應和適應的閉環系統。這些系統將在能效、響應速度和適應性方面提供顯著提升，這對于自主智能體、智能傳感器和可穿戴設備至關重要。

在信息以數字形式傳輸的系統中，從數字到類突觸的轉變標志著計算觀念和實現方式的根本變化。數字邏輯不再作為核心計算引擎，而是作為管理和協調類突觸過程的接口。隨著材料、器件和算法方面的進步融合，類突觸計算將促成新一代智能、分布式和自適應系統的實現，使AI、ML和IoT的能力超越現有的局限。

總結

總而言之，本文所展示的技術機遇、材料以及集成挑戰反映出在不同領域推進存儲技術所面臨的復雜性。每個領域都需要有針對性的研究與開發工作，以克服特定的技術、環境和操作難題。解決這些挑戰對于推動存儲技術的發展至關重要，而存儲技術是未來計算、人工智能以及先進傳感和成像應用的關鍵。為迅速增長的研究社區提供合適的儀器設備，將加速技術進步與創新，并對新材料、器件、產品和市場方案的開發產生深遠影響。這將影響國家經濟增長的全局，并確立美國在新興技術領域的領導地位。

上世紀70年代、80年代和90年代，美國的微電子設施曾出現一輪繁榮，主要集中在主要行業研究中心及少數幾所大學院校周圍。在過去的25年中，國際市場的開放和微電子行業的全球化推動了全球范圍內產業所需的制造與設計工具的發展，提供了面向全球的商業產品和技術解決方案。這種能力和產品的擴張也凸顯出降低能源消耗、限制數據指數增長的迫切需求，同時也要應對對新技術方案日益增長的需求。我們要么擴展CMOS以外的能力，要么創造新的技術創新。這將需要新的材料、器件和存儲技術的出現。這還要求開發專門用于制造和計量新興材料的工具，并使這些工具對更廣泛的研究社區開放。我們需要推動研究工具、數據和知識的民主化，賦能研究群體，加速該領域的創新。

我們只有通過建立一個涵蓋專業知識、技術創新和人才發展的國家級資源，才能實現這一目標，從而支持所有相關社區的研究、培訓和教育工作。

感謝作者：

*免責聲明：本文由作者原創。文章內容系作者個人觀點，半導體行業觀察轉載僅為了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支持，如果有任何異議，歡迎聯系半導體行業觀察。

今天是《半導體行業觀察》為您分享的第4095期內容，歡迎關注。

加星標??第一時間看推送，小號防走丟

求推薦