在人工智能技术快速迭代的当下，面向大模型训练的硬件系统正面临能效与算力的双重挑战。传统AI加速器在处理器与存储器间的频繁数据搬运导致功耗居高不下，而SK海力士最新提出的3D铁电NAND（FeNAND）技术，通过将计算单元嵌入存储阵列，为突破这一瓶颈提供了创新方案。
相较于传统6位NAND需要64个独立电压状态的设计，SK海力士的3D FeNAND仅需8个状态即可实现同等存储密度。这项突破性技术通过三维堆叠架构，在单位面积内集成更多存储单元，同时将模拟计算模块直接嵌入存储阵列。研究团队特别针对AI推理场景优化了乘累加运算流程，通过改进页内流水线技术，使神经网络前向计算次数减少40%，字线切换频率降低35%。
技术实现层面面临三大核心挑战：三维堆叠导致的串电阻激增、字线切换产生的高功耗，以及页级顺序运算引发的并行效率损失。研发团队通过多维度协同优化破解难题：在存储单元层面引入脉冲次数调制技术，使多电平状态数量提升2.3倍；通过优化字线材料与布局，将RC常数降低60%，系统吞吐率因此提升1.4倍；在计算架构上创新采用页拆分策略，根据不同网络层动态调整页面大小，使特定工作负载的页需求量减少75%。
性能评估数据显示，优化后的3D FeNAND阵列实现显著突破：与前代技术相比，吞吐量提升20.4倍，能效比提高7.17倍。在ResNet-50等主流AI模型的基准测试中，该技术展现出碾压性优势——相比二维存储阵列方案，在相同芯片面积下实现16倍吞吐提升和4950倍能效提升，且无需进行权重参数更新。这种特性使其特别适合边缘计算等对功耗敏感的场景。
这项突破源于存储单元特性、电路设计与计算架构的深度协同。研究团队通过建立跨层优化模型，在材料选择、电路拓扑和算法映射三个维度实现精准匹配。例如，针对铁电材料的非线性特性，开发了自适应写入算法；为解决三维结构中的信号衰减问题，设计了分布式电源管理模块；在计算层面，将卷积运算拆解为可并行执行的子任务，使存储阵列的利用率达到理论极限的92%。
当前技术已进入工程验证阶段，SK海力士正在与多家AI芯片企业合作开发原型系统。这项研究不仅为存内计算技术树立了新的性能标杆，更通过架构创新证明：通过系统级协同设计，完全可以在保持超高存储密度的同时实现低功耗计算，为下一代AI硬件发展开辟了全新路径。
