Mengirim pesan

Berita

March 11, 2021

Manufaktur Bit: Substrat DRAM (merek HOREXS)

Pada International Electron Devices Meeting (IEDM) 2020 baru-baru ini, Imec mempresentasikan makalah tentang arsitektur sel DRAM tanpa kapasitor.

DRAM digunakan untuk memori utama dalam sistem, dan perangkat tercanggih saat ini didasarkan pada kira-kira proses 18nm hingga 15nm.Batas fisik untuk DRAM adalah sekitar 10nm.

DRAM sendiri didasarkan pada arsitektur sel memori satu transistor, satu kapasitor (1T1C).Masalahnya adalah semakin sulit untuk menskalakan atau mengecilkan kapasitor di setiap node.

“Penskalaan memori DRAM 1T1C tradisional melebihi kepadatan die 32Gb menghadapi dua tantangan besar,” menurut Imec.“Pertama, kesulitan dalam penskalaan transistor array berbasis Si membuatnya sulit untuk mempertahankan resistansi off-current dan garis dunia yang diperlukan dengan ukuran sel yang semakin kecil.Kedua, integrasi dan skalabilitas 3D - jalur utama menuju DRAM kepadatan tinggi - dibatasi oleh kebutuhan akan kapasitor penyimpanan. "

Dalam R&D, industri sedang mengerjakan berbagai teknologi memori generasi berikutnya untuk menggantikan DRAM.Kemudian, beberapa sedang mengerjakan cara untuk memperluas DRAM hari ini dengan menggunakan materi baru.

Misalnya, Imec telah merancang arsitektur sel DRAM yang mengimplementasikan dua transistor film tipis indium-gallium-zinc-oxide (IGZO-TFTs) dan tanpa kapasitor penyimpanan.Sel DRAM dalam konfigurasi 2T0C (2 transistor 0 kapasitor) menunjukkan waktu retensi lebih dari 400-an untuk dimensi sel yang berbeda.Ini pada gilirannya mengurangi kecepatan refresh memori dan konsumsi daya.

Kemampuan untuk memproses IGZO-TFT di lini produksi back-end-of-line (BEOL) mengurangi jejak sel dan membuka kemungkinan menumpuk sel individu.

“Selain waktu retensi yang lama, sel DRAM berbasis IGZO-TFT menghadirkan keunggulan besar kedua dibandingkan teknologi DRAM saat ini.Tidak seperti Si, transistor IGZO-TFT dapat dibuat pada suhu yang relatif rendah dan karenanya kompatibel dengan pemrosesan BEOL.Hal ini memungkinkan kami untuk memindahkan pinggiran sel memori DRAM di bawah larik memori, yang secara signifikan mengurangi jejak memori mati.Selain itu, pemrosesan BEOL membuka rute untuk menumpuk sel DRAM individu, sehingga memungkinkan arsitektur 3D-DRAM.Solusi terobosan kami akan membantu meruntuhkan apa yang disebut dinding memori, memungkinkan memori DRAM untuk terus memainkan peran penting dalam aplikasi yang menuntut seperti komputasi awan dan kecerdasan buatan, ”kata Gouri Sankar Kar, direktur program di Imec.

14nm STT-MRAM
Juga di IEDM, IBM mempresentasikan makalah tentang teknologi MRAM (STT-MRAM) spin-transfer-torque tertanam pertama di dunia pada node proses CMOS 14nm.

Teknologi IBM STT-MRAM dirancang untuk aplikasi memori cache dan tertanam di sistem seluler, penyimpanan, dan lainnya.

Sebuah teknologi memori generasi berikutnya, STT-MRAM menarik karena memiliki fitur kecepatan SRAM dan non-volatilitas flash dengan daya tahan tak terbatas.STT-MRAM adalah arsitektur satu transistor dengan sel memori magnetic tunnel junction (MTJ).Ia menggunakan magnetisme spin elektron untuk memberikan sifat non-volatil dalam chip.Fungsi tulis dan baca berbagi jalur paralel yang sama di sel MTJ.

Ada dua jenis STT-MRAM — chip mandiri dan tertanam.STT-MRAM mandiri sedang dikirim dan digunakan dalam solid-state drive (SSD) perusahaan.

STT-MRAM juga ditargetkan untuk menggantikan memori flash NOR tertanam saat ini di mikrokontroler (MCU) dan chip lainnya.STT-MRAM juga ditujukan untuk aplikasi memori cache.

MCU saat ini mengintegrasikan beberapa komponen pada chip yang sama, seperti unit pemrosesan pusat (CPU), SRAM, memori tertanam, dan periferal.Memori tertanam digunakan untuk penyimpanan kode, yang mem-boot perangkat dan memungkinkannya menjalankan program.Salah satu jenis memori tertanam yang paling umum disebut memori flash NOR.Memori flash NOR kuat dan berfungsi di aplikasi yang disematkan.

Tetapi NOR kehabisan tenaga dan sulit untuk menskalakan melebihi node 28nm / 22nm.Plus, NOR atau eFlash yang disematkan menjadi terlalu mahal di node lanjutan.

Di situlah STT-MRAM cocok — ia akan menggantikan NOR tertanam pada 28nm / 22nm dan seterusnya.“Namun, aplikasi tingkat lanjut ini telah dibatasi oleh dua tantangan utama: 1) meningkatkan kinerja MTJ untuk mengurangi arus tulis sambil mengontrol distribusi;dan 2) meningkatkan sirkuit MRAM / CMOS dan kepadatan sel untuk penskalaan node lanjutan.Pekerjaan utama sebelumnya, semuanya pada node 28nm - 22nm, menyoroti tantangan dalam mengintegrasikan MTJ pitch ketat dalam ruang vertikal pendek yang tersedia antara level logam BEOL - tantangan yang sejauh ini mencegah pengembangan eMRAM node 14nm, ”kata Daniel Edelstein , seorang rekan IBM di koran.Orang lain berkontribusi pada pekerjaan itu.

“Di sini, kami mendemonstrasikan teknologi eMRAM node 14nm yang pertama.Dengan menggunakan makro eMRAM 2Mb, kami mencapai integrasi pada jarak MTJ yang ketat (160nm), yang cocok secara vertikal antara M1 dan M2.Penempatan ini memaksimalkan kinerja sirkuit eMRAM dengan menghilangkan parasitics BEOL yang ditumpuk, dan mengurangi ukuran chip dan biaya dengan membersihkan jalur kabel atas untuk logika, dan mengurangi jumlah total level untuk menghubungkan array besar (ini mungkin memerlukan level n + 3 Cu untuk MTJ yang ditempatkan pada level Mn, maka keuntungan dari n = 1).Kami mendemonstrasikan fungsionalitas baca dan tulis, termasuk kinerja tulis hingga 4ns, dan menunjukkan bahwa modul proses eMRAM dapat ditambahkan sambil mempertahankan persyaratan keandalan logika BEOL, ”kata Edelstein.

“Beberapa inovasi proses unit memungkinkan integrasi ini, termasuk sub-litograf mikrostud baru (μ-stud) elektroda bawah (BEL), kontrol profil halus dari pola MTJ dan film dielektrik, metalisasi BEL / MTJ yang dioptimalkan, dan optimalisasi pasca-MTJ rendah -k planarization melintasi area array dan logika, ”katanya.

ReRAM non-ideal
CEA-Leti telah mendemonstrasikan teknik pembelajaran mesin yang memanfaatkan sifat "non-ideal" dari RAM resistif (ReRAM).

Para peneliti telah mengatasi beberapa hambatan untuk mengembangkan perangkat berbasis ReRAM untuk tepi komputasi.

Sebagai bagian dari AI, pembelajaran mesin menggunakan jaringan neural dalam suatu sistem.Jaringan neural memproses data dan mengidentifikasi pola dalam sistem.Kemudian, ia mencocokkan pola tertentu dan mempelajari atribut mana yang penting.

ReRAM, sementara itu, juga merupakan jenis memori generasi berikutnya.ReRAM memiliki latensi baca yang lebih rendah dan kinerja tulis yang lebih cepat daripada memori flash saat ini.Dalam ReRAM, tegangan diterapkan ke tumpukan material, menciptakan perubahan resistansi yang merekam data dalam memori.

ReRAM, bagaimanapun, sulit untuk dikembangkan.Hanya sedikit yang telah mengirimkan suku cadang di pasar.Ada masalah lain.“Pendekatan saat ini biasanya menggunakan algoritme pembelajaran yang tidak dapat didamaikan dengan non-idealitas intrinsik memori resistif, terutama variabilitas siklus-ke-siklus,” kata Thomas Dalgaty dari CEA-Leti di Nature Electronics, jurnal teknologi.

"Di sini, kami melaporkan skema pembelajaran mesin yang mengeksploitasi variabilitas memristor untuk mengimplementasikan pengambilan sampel rantai Markov Monte Carlo dalam array buatan 16.384 perangkat yang dikonfigurasi sebagai model pembelajaran mesin Bayesian," kata Dalgaty.“Pendekatan kami mendemonstrasikan ketahanan terhadap degradasi perangkat pada sepuluh juta siklus ketahanan, dan, berdasarkan sirkuit dan simulasi tingkat sistem, total energi yang dibutuhkan untuk melatih model diperkirakan berada pada urutan mikrojoule, yang terutama lebih rendah daripada yang saling melengkapi pendekatan berbasis logam-oksida-semikonduktor (CMOS). "(Dari Mark LaPedus)

Rincian kontak