Az SK hynix szerint a 3D FeNAND számításra is alkalmassá teheti a NAND-ot

A NAND szerepe az AI-rendszerekben

Az egyre nagyobb mesterségesintelligencia-modellek működtetésében az adatok mozgatása egyre nagyobb energiafogyasztással és késleltetéssel jár. Az SK hynix kutatói ezért az analóg memóriabeli számítást, vagyis az analog compute-in-memory (A-CiM) megközelítést vizsgálták.

Az A-CiM a tárolást és a számítást ugyanazon memóriarendszeren belül kapcsolja össze. Ahelyett, hogy az adatokat folyamatosan külön számítási egységekhez továbbítaná, a memóriában vagy annak közelében dolgozza fel őket. A technológia a memóriachipekben tárolt elektromos állapotokat használja szorzás és összeadás ismételt végrehajtására. Ez a művelet, a multiply-and-accumulate, vagyis MAC, az AI-számítások egyik alapvető eleme.

A kutatócsoport szerint ehhez olyan memóriaarchitektúrára van szükség, amely nagy adatsűrűséget kínál, és több különböző áramállapotot is pontosan képes kezelni. Erre a célra a 3D FeNAND, vagyis a ferroelektromos tulajdonságokat használó 3D NAND lehet alkalmas.

Három területet hangoltak össze

A kereskedelmi 3D NAND-chipek jellemzően töltéscsapdás nitrid, azaz CTN-struktúrát használnak. Ez az elektrontöltések nitridrétegben való csapdázásával és felszabadításával szabályozza a cellák állapotát. Az SK hynix szerint ez a szerkezet nagy sűrűséget tesz lehetővé, ugyanakkor korlátai vannak a többféle áramérték pontos megkülönböztetésében.

A FeNAND ferroelektromos anyag elektromos állapotának változásával szabályozza a cellaáramot. A ferroelektromos anyag külső elektromos mező megszűnése után is megtartja belső polarizációját. A polarizáció módosításával az adat tárolható, és vezérelhető a memória cellájának állapota.

A kutatás újdonsága, hogy nem önmagában a cellaszerkezetet fejleszti. A csapat a cella-, a nem cellaszintű és az oldalstruktúrát, vagyis a cell, non-cell és page sémát közösen optimalizálta. A cellaszint a többféle áramállapot pontos megjelenítését, a nem cellaszintű elemek a kiválasztáshoz és vezérléshez használt összeköttetéseket, az oldalséma pedig a számítás során használt adatok sorrendjét és egységeit kezeli.

Az összhang azért fontos, mert egyetlen szűk keresztmetszet is korlátozhatja a teljesítményt. A pontos cellavezérlés önmagában kevés, ha a szóvonalak kapcsolása sok energiát igényel. Hasonlóan, az összeköttetések terhelésének csökkentése sem elegendő, ha az adatok oldalakon belüli szervezése fölösleges kapcsolásokat és késleltetést okoz.

A vállalat szerint nagyságrendi javulást mértek

Az SK hynix által ismertetett eredmények szerint az összehangolt optimalizálás növelte a 3D FeNAND-alapú A-CiM számítási áteresztőképességét és energiahatékonyságát. Azonos chipterületi korlátok mellett az architektúra hozzávetőleg 10-20-szor nagyobb áteresztőképességet, valamint körülbelül 4000-5000-szer jobb energiahatékonyságot ért el a hagyományos 3D tömbökhöz képest.

A vállalat szerint a javulás két tényezőből ered. A 3D FeNAND nagy integrációs sűrűsége több adat tárolását teszi lehetővé, miközben a cella-, nem cellaszintű és oldalséma közös optimalizálása csökkenti az adatmozgatást. Az eredmények arra utalnak, hogy a memóriasűrűség növelése mellett rendszer szintű tervezéssel is jelentős teljesítményjavulás érhető el.

A kutatás helye az SK hynix technológiai programjában

Az ismertetett tanulmány címe Co-Optimizing Cell, Non-Cell, and Page Schemes for Energy Efficient Analog Computing in 3D FeNAND. A munkát a 2025-ös IEEE International Electron Devices Meeting konferencián publikálták, szerzői Won-Tae Koo és Jihun Kim, az SK hynix Global RTC technikai vezetői.

Az SK hynix 2026. október 14-én közzétett kutatási összefoglalója szerint a 3D FeNAND-alapú A-CiM a NAND szerepét is kiterjesztheti. A vállalat értelmezésében a NAND így a nagy mennyiségű adat tárolása mellett az AI-modellek súlyainak nagy sűrűségű kezelését, az adatmozgatás és az újraírás energiaigényének mérséklését, valamint a számítás hatékonyságának javítását is támogathatja.