SK hynix发布面向AI计算的3D FeNAND
SK hynix开发出可在NAND闪存内部直接执行人工智能计算的下一代存储技术，并公开了其模拟计算相关研究。该技术名为3D FeNAND，面向AI计算场景。原文未披露量产时间、产能规划、具体料号及客户信息，也未说明对现有存储供应链供货的影响。
原文深度解读
本文主题为SK hynix公开其基于铁电三维NAND（3D FeNAND）的模拟存内计算（A-CiM）研究，该技术可在NAND闪存内部直接执行人工智能计算。涉及主体为SK hynix与IEEE。时间点为10月14日新闻稿发布，研究成果发表于IEEE论文。关键数字包括：基于3D FeNAND的A-CiM模拟显示吞吐量最高提升20倍、能效提升5000倍。与电子元器件供应链的关系在于：该技术属于下一代存储器件与AI计算架构方向，可能影响未来NAND闪存的产品形态与AI计算相关存储需求，但原文未披露量产时间、产能规划、具体料号及客户信息，也未说明对现有存储供应链供货的影响。
- SK hynix开发了可在NAND闪存内部直接执行AI计算的下一代存储技术，并于10月14日通过新闻稿公开其基于铁电三维NAND（3D FeNAND）的模拟存内计算（A-CiM）研究，相关成果发表于IEEE论文。
- A-CiM使用模拟信号在存储器内部直接执行计算，可在存储器内完成乘累加（MAC）操作，通过减少数据移动来提升处理速度和能效。
- 3D FeNAND利用铁电材料的极化状态存储数据并控制电流；传统3D NAND使用电荷陷阱氮化物（CTN）结构，将电子陷阱在氮化物层中；铁电材料在外部电场移除后仍能保持内部极化。
- 据SK hynix称，FeNAND可在单个单元内产生多个电流状态，适合表示AI计算所需的权重。
- SK hynix研究人员在单元、非单元电路和页三个层面进行协同优化：单元层面通过调整编程脉冲数量区分电流状态（传统NAND通过提高电压改变单元状态，FeNAND在恒定电压下增加脉冲数量）；非单元电路层面在字线之间引入气隙以降低字线电阻；页层面优化数据放置和计算序列，应用页内流水线（IPP）在单页内高效执行AI神经网络计算。
- 模拟显示，基于3D FeNAND的A-CiM相比传统非易失性存储器，吞吐量最高提升20倍，能效提升5000倍。
供应链影响
- 若该技术未来走向商用，可能改变NAND闪存在AI计算场景中的产品定位，从单纯存储向存内计算延伸，但具体影响取决于后续量产时间与产能规划。
- 由于原文未披露具体料号、客户信息及量产时间，短期内对现有NAND闪存供应链的供货格局可能不会产生直接变化。
- 该技术涉及铁电材料、3D NAND结构及字线气隙等工艺变化，可能对上游材料与设备环节提出新的技术要求，但取决于技术成熟度与产业化路径。
- 若A-CiM能显著提升能效与吞吐量，可能影响未来AI计算系统中存储与计算资源的配比，但实际影响取决于系统集成与生态适配情况。
- 原文仅提供模拟结果，未提供量产验证数据，因此对供应链的实际影响仍存在不确定性。
系统解读，仅作为判断线索，不构成备货、出货、涨价或投资建议。
（来源：SK hynix）
SK hynix开发出可直接在NAND闪存内执行人工智能（AI）计算的下一代存储技术。
该公司在10月14日的新闻稿中公开了其使用铁电三维NAND（3D FeNAND）进行模拟存内计算（A-CiM）的研究。研究结果已发表在电气与电子工程师协会（IEEE）的一篇论文中。
A-CiM使用模拟信号直接在存储器内部执行计算。它在存储器内执行乘累加（MAC）操作，这是AI计算的基本构建模块。通过减少数据移动，该技术提高了处理速度和能效。
3D FeNAND利用铁电材料的极化状态存储数据并控制电流。传统3D NAND使用电荷陷阱氮化物（CTN）结构，将电子陷阱在氮化物层中。铁电材料在外部电场移除后仍能保持其内部极化。
据SK hynix称，FeNAND可在单个单元内产生多个电流状态，使其适合表示AI计算所需的权重。
SK hynix研究人员协同优化了三个领域——单元、非单元电路和页——以提高FeNAND的计算性能。模拟显示，基于3D FeNAND的A-CiM相比传统非易失性存储器，吞吐量最高提升20倍，能效提升5000倍。
在单元层面，通过调整编程脉冲数量来区分电流状态。传统NAND通过提高电压改变单元状态，而FeNAND在恒定电压下增加脉冲数量。
在非单元电路层面，研究人员降低了字线电阻。字线用于选择和控制存储单元。SK hynix团队在字线之间引入了气隙。
在页层面，研究人员优化了数据放置和计算序列。他们应用了页内流水线（IPP）以在单个页内高效执行AI神经网络计算。
(Source: SK hynix)
SK hynix has developed next-generation memory technology that performs artificial intelligence (AI) computations directly within NAND flash memory.
The company disclosed its research on analog computing-in-memory (A-CiM) using ferroelectric three-dimensional NAND (3D FeNAND) in a newsroom post on Oct. 14. The findings were published in a paper by the Institute of Electrical and Electronics Engineers (IEEE).
A-CiM performs computations directly inside memory using analog signals. It executes multiply-accumulate (MAC) operations, the fundamental building blocks of AI computing, within memory. By reducing data movement, the technology improves processing speed and power efficiency.
3D FeNAND stores data and controls current using the polarization states of ferroelectric materials. Conventional 3D NAND uses a charge-trap nitride (CTN) structure that traps electrons in a nitride layer. Ferroelectric materials retain their internal polarization even after an external electric field is removed.
According to SK hynix, FeNAND can produce multiple current states within a single cell, making it suitable for representing the weights required in AI computations.
SK hynix researchers co-optimized three areas — cells, non-cell circuits and pages — to improve FeNAND’s computing performance. Simulations showed that 3D FeNAND-based A-CiM achieved up to 20 times higher throughput and 5,000 times greater energy efficiency than conventional nonvolatile memory.
At the cell level, current states are distinguished by adjusting the number of programming pulses. Conventional NAND changes cell states by increasing voltage, while FeNAND increases the number of pulses at a constant voltage.
At the non-cell circuit level, researchers reduced wordline resistance. Wordlines select and control memory cells. The SK hynix team introduced air gaps between wordlines.
At the page level, researchers optimized data placement and computation sequences. They applied in-page pipelining (IPP) to efficiently execute AI neural network computations within a single page.