SK hynix 於 10 月 14 日在官方研究專欄介紹 3D FeNAND 類比記憶體內運算（Analog Compute-in-Memory，A-CiM）成果。相關研究發表於 2025 IEEE International Electron Devices Meeting（IEDM），核心方向是把部分乘加運算安排在記憶體陣列內或附近執行，降低 AI 工作負載反覆搬移模型權重資料的成本。這是一項研究進展報導，並非宣布新的商用 NAND 產品已開始量產。
一般 3D NAND 多採用電荷捕捉式結構，適合高密度儲存，但類比運算需要穩定且可辨識的多個電流狀態。FeNAND 利用鐵電材料在外加電場移除後仍能維持的極化狀態，控制記憶單元的電流表現，提供另一種在儲存陣列內表達類比計算數值的可能性。SK hynix 表示，團隊並未只改善記憶單元，而是同時考慮非單元周邊電路與頁面資料組織方式。
在周邊電路方面，字元線的電阻與寄生電容會影響訊號傳遞與切換能耗。研究提到，採用低電阻金屬可讓吞吐量最多改善 16%，但能源效率改善較有限；若在字元線之間的氧化層導入氣隙，可將寄生電容降低約 60%，並使吞吐量與能源效率分別提升約 1.2 倍與 2 倍。結合電阻與電容最佳化後，研究中吞吐量最多提升 1.4 倍、能源效率最多提升 2.2 倍。
頁面層級則透過 in-page pipelining 與 page splitting，減少重複切換與權重載入。官方舉例，將 16KB 頁面切成四個 4KB 子頁面，讓不同神經網路層的資料安排更有彈性；相關模擬顯示 in-page pipelining 可改善吞吐量約 9 倍、能源效率約 2 倍。整體共同最佳化的 3D FeNAND A-CiM 架構，在相同晶片面積限制下，相較傳統 3D NAND 陣列可達約 10 至 20 倍吞吐量、約 4,000 至 5,000 倍能源效率。這些差距是特定研究比較條件，不可直接套用到現有 SSD 或整個 AI 伺服器。
發生了什麼事
SK hynix 說明 3D FeNAND A-CiM 的共同最佳化研究，涵蓋記憶單元、字元線周邊與頁面組織。
為什麼重要
AI 推論大量時間與能耗可能耗在記憶體與運算單元間搬移資料，記憶體內運算若可落地，可能改變部分加速器架構。
影響哪些人
記憶體研發人員、AI 晶片架構師、半導體製程與電路設計團隊可參考研究方法；一般 SSD 使用者不應將其視為現成產品效能。
已確認與未確認
研究宣稱的吞吐量與能源效率倍數有明確的比較對象與面積條件；官方未宣布量產時程、產品價格或在實際資料中心的端到端改善。
