SK hynix показала NAND для ИИ-вычислений с энергоэффективностью до 5000 раз выше

Как сообщает Igor’sLAB, компания опубликовала результаты 14 октября 2026 года на основе исследования, представленного на IEEE International Electron Devices Meeting 2025. Задача разработки — сократить передачу данных между памятью и вычислительными блоками.

Обычная флеш-память хранит данные, а для обработки передаёт их процессору. При работе с большими ИИ-моделями веса нейросети приходится загружать многократно. Подход Analog Compute-in-Memory (A-CiM), который изучает SK hynix, позволяет выполнять часть операций непосредственно в структуре памяти: ячейки хранят значения и участвуют в их умножении и сложении.

В изученных архитектурах при сопоставимой площади кристалла компания получила пропускную способность в 10—20 раз выше и повышение энергоэффективности в 4000—5000 раз. Это результаты сравнения исследовательских вариантов памяти между собой, а не с видеокартами или готовыми ИИ-серверами. Данных для практического сопоставления 3D FeNAND с графическими процессорами исследование не даёт.

Как устроена экспериментальная память 3D FeNAND

Для 3D FeNAND исследователи использовали сегнетоэлектрические ячейки на основе оксида гафния-циркония. Их электрические состояния задаёт поляризация материала, тогда как в обычной NAND-памяти применяется захват заряда. Разные уровни тока позволяют представить значения весов нейросети, необходимые для аналоговых вычислений.

Такие уровни нужно задавать точно и воспроизводимо. SK hynix исследует метод программирования, при котором серия импульсов напряжения постепенно меняет состояние ячейки. По данным компании, на экспериментальных структурах удалось различить четыре состояния тока на одну ячейку при низких значениях тока. Исследователи также проверяли сохранность данных на пластинах диаметром 300 мм, но эти опыты ещё не означают появления коммерческой памяти.

Компания работала и над электрическими соединениями, которые управляют выбором ячеек. Применение материалов с меньшим сопротивлением и воздушных промежутков между отдельными проводящими структурами снизило паразитную ёмкость примерно на 60% в изученных конструкциях. Это уменьшает потери энергии при переключении соединений.

Ещё один метод, In-Page Pipelining, распределяет слои нейросети внутри страницы памяти, чтобы выполнять вычисления параллельно и избегать лишних переключений. В симуляции он увеличил пропускную способность в девять раз относительно исследованной базовой архитектуры. Отдельно команда рассмотрела разделение страницы объёмом 16 КБ на четыре области для размещения весов и промежуточных результатов. Универсальной схемы здесь нет: чрезмерное распределение вычислений может вызвать дополнительные переключения и замедлить обработку.

Для применения 3D FeNAND в готовых системах ещё потребуются данные о долговременной стабильности аналоговых состояний. Также нужно оценить точность вычислений и выход годных изделий при производстве. Остаются вопросы к интеграции схем управления и считывания. Неизвестны и стоимость вычислений с затратами на программирование весов модели. Сроки массового производства SK hynix не назвала.