SK海力士披露3D FeNAND模拟存内计算研究成果

10月14日，SK海力士披露了其使用铁电三维NAND即3D FeNAND进行模拟内存计算的研究成果，相关研究已发布在IEEE论文中。模拟内存计算通常写作Analog Compute-in-Memory，简称A-CiM，思路是利用模拟信号直接在存储器内部执行计算，减少数据在处理器和存储器之间来回搬运带来的功耗和延迟。

从技术路线看，3D FeNAND利用铁电材料的极化状态来存储数据并控制电流，而传统3D NAND普遍采用电荷俘获氮化物结构，把电子捕获在氮化物层中区分单元状态。铁电材料的特点是即使外部电场消失，内部极化状态仍能保持，这让FeNAND能够在单个存储单元内产生多种电流状态，适合承载AI计算所需的权重数据。在AI推理中，乘积累加是最基础的算子，如果权重能直接以电导形式留在存储阵列里，就有机会省掉大量数据搬运环节。

SK海力士方面介绍，研究团队对存储单元、非单元电路和页三个层面进行了协同优化，以提高FeNAND的计算性能，模拟结果显示，基于3D FeNAND的A-CiM实现了比传统非易失性存储器高20倍的吞吐量和5000倍的能效。也有渠道给出的口径是相比传统3D NAND，协同优化后的方案吞吐高出10到20倍，能效好上4000到5000倍，并强调这类数字来自实验室条件下的对比，衡量对象是存储介质本身的运算能效，不是整卡或整机的表现，距离量产仍有距离。

这项研究并非首次出现。SK海力士早在2024年国际电子器件会议上就发表过面向超大规模AI模型的超高密度3D FeNAND模拟计算论文，提出通过控制栅堆叠界面陷阱密度，让3D FeNAND单元实现超过256级权重电导，并验证了模拟乘累加运算可达到87.8%的准确度，同时认为3D堆叠相比二维阵列可大幅提升A-CiM单元密度和计算效率。此后公司在不同场合披露过针对串电阻过大、字线切换功耗高、页级顺序乘累加导致并行效率低等问题的优化思路，包括从单元特性、非单元电路和计算方案三个层面协同提升能效和吞吐。

产业背景是AI推理对内存层级的压力持续上升。SK海力士开发负责人此前在半导体展上表示，AI推理正从任务复杂度、每次处理信息量和推理请求数量三个方向同时扩张，关键值缓存容量需求增长，需要把数据分散到HBM、DRAM和固态硬盘等不同介质，跨介质搬运正在成为新的性能和功耗瓶颈。同期该公司还推出了以内存为中心的AI机架级系统MARS，并推进高带宽闪存HBF，称可在接近HBM带宽的前提下把容量扩展到HBM的14倍，计划2028年初推出样品。

业内认为，3D FeNAND走的是在HBM之外寻找差异化路线的尝试，把NAND从单纯的数据仓库往低功耗AI计算方向推进。不过该技术仍面临不少现实阻碍，铁电材料的可靠性、耐久性、多电平的均匀性和漂移控制，模拟计算对噪声和外围模数转换电路的依赖，以及整系统层面的散热和软件生态适配，都需要长期验证。目前公开信息仍以论文和仿真数据为主，尚未看到大规模量产或商用产品落地，后续能否进入实际AI服务器或边缘设备，取决于工程化进度和与现有GPU加HBM方案的真实成本对比。