基于单片集成的三维IGZO-RRAM-SRAM计算存储新架构研究：提高神经网络计算效率的突破

背景与研究动机

随着神经网络（Neural Network, NN）在人工智能领域应用的不断深入，传统计算架构难以满足其在能耗、速度和密度方面的需求。这促使研究者将目光投向计算存储（Compute-In-Memory, CIM）芯片技术。CIM通过将计算单元与存储单元集成在一个架构中，避免大量数据在存储与计算单元间传递的“存储墙”效应，从而显著提高系统效率。已有CIM架构主要基于静态随机存取存储器（Static Random Access Memory, SRAM）、电阻随机存取存储器（Resistive Random Access Memory, RRAM）和氧化铟镓锌（Indium-Gallium-Zinc-Oxide, IGZO）等器件。

然而，现有基于单类型存储器件的CIM系统在密度、能效和精度的平衡方面面临诸多挑战。具体而言： 1. 单类型器件的非理想性（Non-Ideality）问题：不同存储器件各有其局限性，例如SRAM精度高但密度和功耗表现较差，而RRAM密度高但面临单元间变异和写入耐久性不足的问题。 2. 存储与计算阵列外的组件占用大比例系统资源：尤其体现在激活数据存储上。一些大型神经网络需要大量中间激活数据存储，传统方案依赖SRAM，但其低密度导致CIM系统的整体效率低下。

这些问题迫使研究者寻找一种综合各自优点、克服上述局限性的全新CIM架构。本文发表在《Science China Information Sciences》上的研究，提出了一种基于单片集成3D架构的IGZO-RRAM-SRAM结合方案（Monolithic 3D IGZO-RRAM-SRAM Architecture），以应对上述挑战。

研究来源

此工作由中国科学院微电子研究所与中国科学院大学联合完成，主要作者包括Shengzhe Yan、Zhaori Cong、Zi Wang 等。该论文于2025年2月在线发表于《Science China Information Sciences》，文章标题为《A monolithic 3D IGZO-RRAM-SRAM-integrated architecture for robust and efficient compute-in-memory enabling equivalent-ideal device metrics》。

研究流程与技术细节

1. 引入“等效理想（Equivalent-Ideal）”CIM架构

研究者提出了一种“等效理想CIM架构”（EQ-CIM），采用单片集成技术实现SRAM、RRAM和IGZO在三维架构中的功能分解。其目标是综合不同器件的各自优点： - IGZO承担激活存储的功能，具有超低漏电流特点，能实现高密度和低功耗。 - RRAM则用作高密度权重存储。 - SRAM负责高精度、高效的CIM运算。

这种功能分解策略利用了每个器件的独特性能，同时通过架构设计避免了各自的非理想性。

2. 3D堆叠与器件建模

研究者采用单片3D堆叠技术，将RRAM集成在金属层（Metal 5/6）之间，IGZO叠置在最高金属层（Metal 9）之上，而SRAM位于硅层。关键实验包括： - RRAM及IGZO器件建模与变异分析：使用2KB RRAM阵列和52个IGZO器件进行测试，分析了温度、几何工艺参数（如接触深度）等带来的性能变化。 - 器件特性提取：提取IGZO器件的阈值电压漂移、导通电流变化，以及RRAM高/低阻态（HRS/LRS）的分布随时间的变化。

此外，针对不同器件之间的频率不匹配（例如SRAM运行频率高达400 MHz，而IGZO的典型工作频率为50 MHz），研究者提出了带宽倍增的解决方案，通过并行操作多个IGZO存储块消除了频率差异。

3. 设备到系统的模拟框架

研究构建了一个从器件级到系统级的模拟框架： - 在器件级别，提取RRAM和IGZO的关键参数及变动（如温度相关漂移、几何变化等）。 - 在系统级别，将上述器件级变化影响转化到算法层面，评估其对神经网络精度和功耗的影响。研究采用了基于Pytorch的Python工具链。

神经网络负载被编译并分配到不同存储层（IGZO、RRAM、SRAM）中，根据权重和激活值的读写操作，计算整个系统的能耗与面积效率。

4. 工作流与实验结果

研究采用标准的神经网络模型（如VGG16和ResNet50）在CIFAR-10和ImageNet数据集上进行测试： - 存储密度：EQ-CIM实现了19.8 MB/mm²的存储密度，比现有的CIM方案（如基于RRAM或PCM的方案）提升了5到11倍。 - 能效：在ResNet50的测试中，EQ-CIM系统级能效达到95.2 TOPS/W，比最优的单类型方案提升了2.45倍。 - 神经网络精度：在ImageNet实验中，EQ-CIM即便在温度波动范围（-40°C到120°C）内，依然维持了较高精度（<0.27%的损失）。 - 面积效率：相较纯SRAM或RRAM的方案，EQ-CIM的系统面积效率提升了3.99倍。

结论与学术意义

1. 研究结论

EQ-CIM通过创新性地结合IGZO、RRAM和SRAM，成功实现了在计算密度、能效和精度方面的突破。此外，该架构在高温和器件变异条件下，展现出优异的鲁棒性，适用于大规模神经网络模型。

2. 科学及工程意义

本研究在器件、架构以及系统级设计间达到了卓越的协同优化，开辟了CIM设计的新方向。其科学意义在于： 1. 提供了一种新的解决单类型器件非理想性的问题的方法。 2. 丰富了单片3D堆叠技术在存储与计算领域的应用场景。 3. 提出了设备到系统的模拟框架，为后续计算存储研究提供了强大的分析工具。

其工程价值则体现在： - 在边缘计算领域推动了高能效CIM芯片发展。 - 为神经网络推理与训练的硬件加速器提供了全新设计思路。

3. 研究亮点

• 创新性采用多器件联合架构，成功达成“等效理想”的CIM性能。
• 高效的3D堆叠技术，与先进的温度鲁棒性测试框架相结合。
• 基于标准神经网络的实验验证表明，该架构在真实世界任务中具有较强的应用潜力。

研究者也指出，未来在3D制程、材料选择、热管理与芯片级可靠性等方面仍有一些工程难题需进一步解决。