生产时间:2月2日

Capacitor-less DRAM
在最近的2020国际电子器件会议(IEDM)， Imec发表了一篇关于新型无电容DRAM电池结构。

DRAM被用于系统的主存储器，目前最先进的设备都是基于大约18nm到15nm的工艺。DRAM的物理极限在10nm左右。

DRAM本身基于一晶体管一电容(1T1C)存储单元架构。问题是，在每个节点上缩放或缩小电容器变得越来越困难。

Imec表示:“将传统1T1C DRAM内存的芯片密度扩展到32Gb以上，面临两大挑战。”“首先，硅基阵列晶体管缩放的困难使得在减小电池尺寸的情况下保持所需的脱电流和世界线电阻具有挑战性。其次，3D集成和可扩展性——高密度DRAM的最终路径——受到存储电容需求的限制。”

在研究开发(R&D)方面，业界正在研究取代DRAM的各种新一代存储器技术。然后，一些人正在研究如何使用新材料来扩展今天的DRAM。

例如，Imec设计了一种DRAM电池架构，实现了两个铟镓锌氧化物薄膜晶体管(IGZO-TFTs)，并且没有存储电容。2T0C(2晶体管0电容器)配置的DRAM单元对于不同的单元尺寸显示出超过400秒的保留时间。这反过来又降低了内存的刷新率和功耗。

在生产线后端(BEOL)生产线上处理IGZO-TFTs的能力减少了电池的占地面积，并开辟了堆叠单个电池的可能性。

“除了长保留时间，基于igzo - tft的DRAM电池比目前的DRAM技术具有第二个主要优势。与Si不同，IGZO-TFT晶体管可以在相对较低的温度下制造，因此与BEOL工艺兼容。这允许我们将DRAM内存单元的外围移动到内存阵列下面，这大大减少了内存芯片的占地面积。此外，BEOL处理打开了堆叠单个DRAM单元的路径，从而实现3D-DRAM架构。我们突破性的解决方案将有助于拆除所谓的内存墙，使DRAM内存继续在云计算和人工智能等要求苛刻的应用程序中发挥关键作用，”Imec项目总监Gouri Sankar Kar说。

14 nm STT-MRAM
同样在IEDM上，IBM发表了一篇关于世界上第一个嵌入式自旋-转移-转矩MRAM (STT-MRAM)技术的论文在14nm CMOS工艺节点上．

IBM的STT-MRAM技术专为移动、存储和其他系统中的嵌入式和缓存内存应用而设计。

作为下一代存储技术，STT-MRAM具有SRAM的速度和闪存的非易失性，具有无限的持久性，因此备受关注。STT-MRAM是一种具有磁隧道结(MTJ)存储单元的单晶体管结构。它利用电子自旋的磁性在芯片中提供非挥发性。写和读函数在MTJ单元中共享相同的并行路径。

stt - mram有独立芯片和嵌入式芯片两种。独立的STT-MRAM正在发货，并被用于企业固态硬盘(ssd)。

STT-MRAM还旨在取代目前微控制器(mcu)和其他芯片中的嵌入式NOR闪存。STT-MRAM也适用于高速缓存应用。

今天的mcu在同一个芯片上集成了多个组件，如中央处理器(CPU)、SRAM、嵌入式存储器和外围设备。嵌入式内存用于代码存储，它可以启动设备并允许其运行程序。最常见的嵌入式内存类型之一称为NOR闪存。NOR闪存坚固耐用，适用于嵌入式应用程序。

但是NOR已经失去动力，很难扩展到28nm/22nm节点以外。此外，嵌入式NOR或eFlash在高级节点上变得过于昂贵。

这就是STT-MRAM适用的地方——它将取代28纳米/22纳米及以上的嵌入式NOR。“然而，这些先进的应用程序受到了两个关键挑战的限制:1)提高MTJ性能以减少写入电流，同时控制分布;2)增加MRAM/CMOS电路和单元密度，以实现高级节点缩放。之前的主要工作都是在28nm - 22nm节点上进行的，突出了在BEOL金属层之间的短垂直空间内集成紧密间距mtj的挑战——这一挑战迄今为止阻止了14nm节点eMRAM的开发，”IBM研究员Daniel Edelstein在论文中说。其他人对这项工作做出了贡献。

“在这里，我们展示了首个14nm节点eMRAM技术。使用一个2Mb的eMRAM宏，我们在一个紧凑的MTJ间距(160nm)实现了集成，垂直适合M1和M2之间。这种布局通过消除堆叠BEOL寄生来最大限度地提高eMRAM电路性能，并通过清除逻辑的上层布线轨道来减小芯片尺寸和成本，并减少连接大型阵列的总电平数(这些可能需要n+3个Cu电平的mtj放置在Mn级上，因此有n=1的优势)。我们演示了读写功能，包括低至4ns的写入性能，并展示了eMRAM处理模块可以在保持逻辑BEOL可靠性要求的同时添加。”

他说:“几个单元工艺创新实现了这种集成，包括一种新型亚光刻微螺柱(μ-螺柱)底部电极(BEL)， MTJ图型和介电薄膜的精细剖面控制，优化BEL/MTJ金属化，以及优化MTJ后低k平面化。”

非理想ReRAM
CEA-Leti展示了一种机器学习技术电阻性存储器(ReRAM)的“非理想”特性．

研究人员已经克服了几个障碍，为计算边缘开发了基于reram的设备。

作为人工智能的一个子集，机器学习利用了系统中的神经网络。神经网络处理数据并识别系统中的模式。然后，它会匹配特定的模式，并学习哪些属性是重要的。

与此同时，ReRAM也是下一代内存类型。与现在的闪存相比，ReRAM具有更低的读取延迟和更快的写入性能。在ReRAM中，将电压施加到材料堆栈上，在存储器中记录数据的电阻中产生变化。

然而，ReRAM很难开发。只有少数几家公司将零部件运往市场。还有其他问题。“目前的方法通常使用的学习算法不能与电阻存储器的内在非理想性相协调，特别是周期与周期的可变性，”CEA-Leti的Thomas Dalgaty在技术杂志《自然电子学》上说。

Dalgaty说:“在这里，我们报告了一种机器学习方案，该方案利用忆阻可变性，在16384个配置为贝叶斯机器学习模型的设备组成的阵列中实现马尔可夫链蒙特卡罗采样。”“我们的方法证明了在1000万耐力循环下设备退化的稳健性，并且，基于电路和系统级模拟，训练模型所需的总能量估计在微焦耳量级，这明显低于基于互补金属氧化物半导体(CMOS)的方法。”