不止HBM，它也能为AI 加速

　　■ 之昂

　　再论存算一体

　　经过几次制裁，读者应该对HBM这个当前高算力AI 芯片的标配部件相当熟悉了，也应该听说过“内存墙”的存在。而有一种材料，由于其独特的物理特性与AI 计算需求深度契合，又能从另一条路径来提升AI 芯片的系统效率和能量利用率。

　　现在可能会有人提出质疑， 最近大热的DeepSeek 能做到“ 低成本、高性能”是否意味着对于AI 的未来，算法比算力更重要？简单来说，DeepSeek 的成功并不意味着算力不重要，而是凸显出高质量数据的重要性。

　　随着AI 应用的扩展和复杂性的增加，人人都能感受到数据传输效率和能耗方面的挑战也在随之增长，AI 芯片计算系统对效率和性能的需求有增无减。

　　再说回来，AI 芯片通常需要高效的矩阵运算（如乘累加操作）、低功耗、高并行性以及快速的数据访问和处理， 但是传统的冯· 诺伊曼(vonNeumann) 架构将计算和存储分离的设计，导致数据的频繁传输不仅限制了系统的运行速度，还会造成额外的能量消耗，即数据在存储器和处理器之间的传输成为瓶颈。

　　打个比方， 传统的中央处理器(CPU) 在设计上将计算和存储分离，这就像厨师在做菜时，需要不断地在冰箱、炉子和工作台之间来回走动，这种来回走动不仅浪费时间，还消耗大量的体力；同样地，数据在传统CPU 和存储器之间的频繁传输也增加了时间延迟和能量消耗，这被视为现代计算系统的一大挑战，也就是我们常说的“内存墙”和“功耗墙”。

　　为解决这一问题，芯片厂商们想到了用“存算一体”技术。

　　“存算一体”技术可以分为近存计算（PNM）、存内处理（PIM） 和存内计算（CIM）。近存计算主要是通过封装技术把计算和存储靠近，比如HBM 的2.5D/3D 堆叠， 就是这一路径；存内处理是指把计算单元嵌入存储芯片内部，减少数据搬运，比如SK 海力士的GDDR6-AiM；而存内计算则是直接在存储单元里进行计算，比如基于SRAM 或RRAM 的技术。

　　总的来说，所谓“存算一体”就是要将计算单元直接集成到存储器中，尽量消除数据在处理器和存储器之间来回传输的过程，借此大幅提升计算效率和能量效率。就像是将所有的食材和工具都集中放在厨师伸手可及的范围内，使厨师可以更高效地完成烹饪，大幅提升了出菜的速度，这样的方法能加快AI处理资讯的速度，更及时地反应各类AI应用使用者的需求。

　　而铁电材料就是在这个环节体现出自己的优势。

　　铁电材料非铁

　　“铁电材料”虽然带着“铁”字但其实和铁的特性并没有什么关系，而是指“ 铁电性（ferroelectricity）”， 它的特性也和电场有关。

　　铁电材料是一种绝缘性功能材料，表面自带电荷，且有记忆功能。最显著的特性是它的自发极化，即在没有外加电场的情况下，材料内部的正负电荷中心会发生相对位移，形成电偶极矩，从而产生极化，成了一个个微小的“电池”；在外加电场的作用下，电荷可以重新排列，即使电场不再作用，排列后的电荷也会保持原状，类似于磁铁在磁场中被磁化后保留磁性，这也说明它是一种具有记忆性的材料，特别适合做存储器件。

　　通俗解释，如果说普通材料是一群随便乱站的老百姓，那铁电材料就像一群听口令列队的士兵，即使口令停了，他们还能保持队形。其背后的原因是铁电材料的晶体结构变化特性，这点就不再深入了。

　　另外还有个细节，给铁电材料施加电荷时，它的反应不是线性的，而是像弹簧被压到某个点突然弹开，这种特性叫“电滞回线”或“磁滞现象”，也就是极化强度会滞后于电场的变化，导致其在电场移除后仍能保持剩余极化。这种特性对于非易失性存储非常重要。之所以铁电材料会被视为能实现“存算一体”的“明日之星”，是因为它的另一种具体应用——铁电隧道结（FTJ）。

　　FTJ 是基于铁电材料的纳米级电子器件，结构如同一个三明治，上下两侧是由金属电极组成，中间夹着一层极薄的铁电材料（通常为几纳米厚）。其核心原理是利用铁电材料的极化特性来控制电子的隧穿效应。

　　我们可以利用铁电材料的极化特性，施加电场来改变铁电夹层的极化方向，不同的极化方向会造成FTJ 不同的电阻状态，透过区分高电阻和低电阻的状态就能被定义成记忆单元0和1。

　　前文所述的“内存墙”问题，在这问题都不大，因为FTJ 的电阻状态可直接用于模拟计算。比如在交叉阵列中，输入电压与FTJ 的权重（电阻值）相乘，通过电流求和就能实现矩阵运算，省去了数据搬运。

　　其他优势，一是FTJ 拥有非挥发性的特性，即使在电源关闭后，铁电材料的极化状态仍能保持不变，大幅增加数据存储的可靠性；二是铁电材料的极化切换速度极快，使FTJ 能够支援高速读写操作，满足AI 对即时数据处理的需求；三是在能耗方面，FTJ的低功耗特性有助于降低整体系统的能源消耗。

　　另外，由于FTJ 结构简单，能实现高密度的数据存储，非常适合于需要大量数据存储空间的AI 应用或者数据处理环节。只不过铁电材料有这个潜力，却在材料制备成本和稳定性方面仍有挑战。