近日，SK海力士公布了基于3D FeNAND的模拟存内计算研究成果，仿真数据显示，基于3D FeNAND的A-CiM架构在相同芯片面积下，吞吐量较传统3D NAND阵列提升约10至20倍，能效提升约4000至5000倍。这一成果首次在超高密度3D垂直铁电NAND器件上实现了模拟计算，NAND的应用范围从存储向计算延伸。

铁电极化取代电荷俘获，一颗单元存下256种状态

3D FeNAND与传统3D NAND最大的区别在于存储机制。商用3D NAND普遍采用电荷俘获氮化物结构，通过向氮化物层中捕获或释放电子来控制单元状态。这种机制在存储数据时表现稳定，但在模拟计算场景中存在局限，电荷俘获的线性度不够理想，难以在单个单元内精确控制多个电导状态。SK海力士的3D FeNAND则利用铁电材料的极化状态来存储数据并控制电流。铁电材料的特点在于，即使外部电场消失，其内部极化状态仍能保持。这一特性使得铁电材料在断电后依然可以维持稳定的多级状态，不需要持续供电来刷新数据。

 图2 传统3D CTN 与3D FeNAND 单元结构对比

SK海力士在研究中发现，3D FeNAND可以在单个存储单元内产生多种电流状态，适合表示AI计算所需的权重数据。根据SK海力士研究院此前公布的数据，通过界面工程优化，3D FeNAND S1的每个单元可支持128个以上电导状态，S2则可支持256个以上电导状态。这意味着单个存储单元可以承载远超传统NAND的模拟信息量。在神经网络计算中，权重数据通常需要高精度表示，256种状态相当于8比特精度，已经可以满足多数推理任务的需求。 

图3 单元多级电流状态的精准控制

从单元到页面的系统调校，MAC运算精度达87.8%

SK海力士的研究并非单点突破，而是对单元、非单元电路和页面三个层面进行了协同优化。 

图4 单元､非单元与页面三层面的协同优化示意

在单元层面，研究团队通过调整编程脉冲数量来区分电流状态，而非像传统NAND那样通过升高电压来改变单元状态。这种方法减少了对单元结构的应力，有助于保持铁电材料的长期稳定性。在非单元电路层面，团队在字线之间引入空气间隙，使字线间寄生电容降低约60%，同时采用低电阻金属降低字线电阻，吞吐量因此最高提升16%。 

图5 非单元层面：降低字线开关开销

在页面层面，团队优化了数据放置和计算顺序，应用页内流水线技术，在单个页面内高效执行神经网络计算，能效翻倍、吞吐量提升9倍。此外，将16KB页拆分为4个4KB子页后，能效进一步提升1.2倍，吞吐量提升1.7倍。 

图6 页面层面：优化计算序列与数据放置

模拟存内计算的核心价值在于减少数据搬运。传统AI计算中，数据需要在存储器和计算单元之间频繁搬运，功耗和延迟随之攀升。A-CiM利用模拟信号直接在存储器内部执行乘积累加运算，从架构层面减轻了数据搬运的负担。在AI推理任务中，乘积累加运算占据了绝大部分计算量，把这部分运算放到存储器内部完成，可以大幅减少芯片内部的数据流动。

SK海力士验证了3D FeNAND阵列的MAC运算能力。实验数据显示，3D FeNAND阵列的MAC运算精度达到87.8%±8.2%。在推理精度方面，3D FeNAND的仿真推理准确率与软件级FP32推理的差距在可接受范围内。研究团队还在300mm晶圆规模上演示了低电流区每单元四电平操作，并验证了稳定的数据保持能力。这些数据表明，3D FeNAND在模拟计算场景中具备可用的精度水平。

从系统角度看，3D FeNAND的A-CiM架构并非简单地在存储阵列上叠加计算功能，而是需要单元特性、外围电路和页面调度三者相互匹配。单元提供多级电导状态，外围电路负责低损耗的字线控制，页面调度则决定数据如何流动和计算如何并行。SK海力士在论文中提出的协同优化方法，正是针对这三者之间的耦合关系。

从存储到计算，NAND的角色正在扩展

SK海力士此次公布的研究成果，说明存储芯片行业正在重新定位NAND的功能。随着大规模AI模型持续增长，数据搬运带来的功耗和延迟已经成为AI基础设施的主要瓶颈之一。SK海力士在官方解读中指出，AI计算性能不再能仅由计算设备的速度来决定，数据存储在哪里、计算在哪里发生、能减少多少数据搬运，都直接影响系统整体效率。

在这一背景下，存内计算获得了越来越多的关注。CiM通过在存储器内部或附近处理数据，而不是持续将数据传输到计算设备，从而减轻数据搬运负担。3D FeNAND凭借其高密度和铁电材料的多态特性，被认为是适合A-CiM的存储架构之一。SK海力士方面表示，这项研究展示了NAND作为低功耗AI计算平台的潜力。存储芯片厂商的竞争焦点，正在从容量和带宽转向计算与存储的融合。

需要指出的是，这项成果目前仍处于研究阶段。SK海力士在官方解读中未涉及量产时间、产品型号、价格或客户送样等商业化信息。3D FeNAND从实验室验证到产品化落地，还需要在良率、工艺集成和制造成本等方面持续投入。不过，从技术路线上看，这项研究为NAND在AI计算场景中的应用提供了一种新思路。