SK hynix 3D FeNAND, NAND를 AI 컴퓨팅 엔진으로 전환하다…다음 과제는 하드웨어 검증
SK hynix가 NAND를 스토리지의 역할을 넘어 확장하는 3D FeNAND 설계를 공개하며, 기존 2D 어레이 대비 최대 16배 높은 컴퓨팅 처리량을 달성했다고 밝혔다. 회사는 평가 조건에서 에너지 효율도 최대 4,950배 높았다고 보고했다. 이 수치는 SK hynix 3D FeNAND를 AI의 데이터 이동 문제에 대한 이례적으로 야심 찬 해법으로 만든다.
이 연구가 일반적인 SSD를 GPU 대체재로 바꾸는 것은 아니다. 대신 모델 가중치가 저장된 위치에서 선택된 수학 연산을 수행하는 아날로그 컴퓨트인메모리, 즉 A-CiM 아키텍처를 제안한다. 이 설계는 메모리와 별도의 처리 하드웨어 사이에서 반복되는 데이터 전송을 줄인다.
따라서 핵심 경쟁은 단순한 상용화 문제가 아니라 아키텍처에 있다. 기존 AI 시스템은 스토리지, 메모리, 프로세서를 분리하지만, SK hynix는 하나의 고밀도 메모리 구조가 가중치를 저장하고 처리하도록 만들고자 한다. 2025 IEEE International Electron Devices Meeting에서 발표된 결과는 이 아이디어가 주목할 만한 이유를 보여준다. 다만 이것이 신뢰성 있고 제조 가능한 AI 하드웨어가 될 수 있는지는 아직 결론 나지 않았다.
SK hynix 3D FeNAND, 기존에 분리돼 있던 세 가지 최적화를 결합하다
핵심 변화는 개선된 단일 메모리 셀이 아니라, 셀·주변 회로·워크로드 매핑을 함께 조율하는 아키텍처다.
SK hynix는 “Co-Optimizing Cell, Non-Cell, and Page Schemes for Energy Efficient Analog Computing in 3D FeNAND”라는 제목의 논문에서 이 연구를 발표했다. 이 논문은 2025년 12월 열린 IEDM 2025에서 공개됐다. SK hynix는 2026년 10월 14일 상세한 공개 설명을 게시했다.
회사의 3D FeNAND 연구는 서로 연결된 세 가지 최적화 영역을 설명한다. 셀 방식은 메모리 셀이 아날로그 값을 표현하는 방식을 제어한다. 비셀 방식은 워드라인과 해당 셀을 선택·동작시키는 기타 구조를 다룬다. 페이지 방식은 신경망 데이터와 연산을 배치하는 방식을 제어한다.
이 구분은 아날로그 컴퓨팅이 0 또는 1을 저장하는 것 이상의 능력을 요구하기 때문에 중요하다. 셀은 유용한 가중치를 인코딩할 수 있도록 충분히 구분되는 여러 전도도 또는 전류 수준을 표현해야 한다. 또한 이 수준은 저항, 전기적 편차, 수직 NAND 스트링 전반의 상호작용에도 불구하고 읽을 수 있어야 한다.
SK hynix는 펄스 수 변조를 통해 쓰기 알고리즘을 조정했다고 밝혔다. 이 방식은 제어된 일련의 전기 펄스로 셀을 조절한다. 목표는 긴 NAND 스트링에서 발생하는 전압 손실이 중요해지는 저전류 조건에서 더 많은 사용 가능한 수준을 구현하는 것이다.
두 번째 변화는 워드라인 전환을 겨냥한다. 워드라인은 셀을 선택하고 제어하는 데 쓰이는 전압을 전달한다. 메모리 셀 자체가 효율적으로 동작하더라도, 이 라인을 반복적으로 전환하면 전력이 소모된다.
연구진은 듀얼 워드라인 활성화 방식을 제안했다. 데이터가 어레이를 통과하는 동안 필요한 전환 횟수를 줄이는 방식이다. 이 비셀 최적화는 이상화된 메모리 벤치마크가 가릴 수 있는 스토리지 요소 외부의 오버헤드를 겨냥한다.
세 번째 변화는 인페이지 파이프라이닝과 페이지 분할을 통해 연산을 재구성한다. 인페이지 파이프라이닝은 한 페이지 안에 여러 신경망 레이어와 중복 연산을 매핑한다. 페이지 분할은 전체 페이지가 작업을 낭비하게 될 때 더 작은 동작 단위를 선택한다.
회사의 기술 요약에 따르면, 결합된 설계는 이전 3D FeNAND 아키텍처보다 20.4배 높은 TOPS를 제공했다. TOPS는 초당 수조 회의 연산을 측정하는 지표다. 또한 컴퓨팅 에너지 효율의 일반적인 척도인 와트당 TOPS도 7.17배 높였다.
이 비교는 기존 2D 메모리 어레이와 비교한 더 큰 수치와는 기준이 다르다. SK hynix는 해당 2D 대안 대비 최대 16배 높은 처리량과 4,950배 높은 에너지 효율을 보고했다. 기준선을 분리해 보는 일은 필수적이다. 하나는 이전 FeNAND 연구 대비 진전을 측정하고, 다른 하나는 평면 어레이 대비 밀도 우위를 측정한다.
이 연구는 NAND에 대한 논의를 바꾼다. 밀도만으로는 더 이상 최종 목표가 아니기 때문이다. 어레이는 제어 회로나 비효율적인 데이터 매핑으로 절감 효과를 잃지 않으면서 그 밀도를 유용한 연산에 활용할 수 있어야 한다.
AI의 메모리 월, NAND에 새로운 역할을 부여하다
SK hynix는 NAND 셀이 모든 작업에서 범용 프로세서를 능가하도록 만들려는 것이 아니라, 모델 가중치 이동에 드는 에너지를 겨냥하고 있다.
현대적 가속기는 스토리지, 메모리, 캐시, 컴퓨팅 유닛 사이에서 데이터를 반복적으로 이동시킨다. 이 이동은 에너지를 소비하고 지연 시간을 더한다. 모델이 인접한 메모리 어레이가 보관할 수 있는 것보다 더 많은 가중치를 포함할수록 문제는 심각해진다.
널리 인용되는 인메모리 컴퓨팅 리뷰는 데이터 이동을 시간과 에너지의 주요 비용으로 지목한다. 컴퓨트인메모리는 메모리 어레이 내부 또는 매우 가까운 곳에서 선택된 연산을 실행해 이 비용을 줄인다.
아날로그 컴퓨트인메모리는 전기적 특성을 활용해 많은 곱셈과 덧셈을 병렬로 계산한다. 곱셈-누산 연산은 입력에 가중치를 곱하고 결과를 더한다. 신경망은 추론과 학습 중 이러한 연산을 반복적으로 수행한다.
이러한 워크로드는 고밀도 메모리에 전략적 이점을 부여한다. 어레이가 더 많은 가중치를 저장하면 시스템은 이를 덜 자주 다시 로드한다. 재로드 감소는 실제 연산 전후의 전송, 재작성, 유휴 시간을 줄일 수 있다.
기존 2D 컴퓨트인메모리 어레이는 병렬 연산을 제공할 수 있지만, 평면형 레이아웃은 고정된 칩 면적 내 용량을 제한한다. 대형 모델은 가중치를 여러 어레이에 나누거나 새로운 그룹을 반복적으로 로드해야 한다. 어느 쪽이든 오버헤드가 발생한다.
3차원 NAND는 이미 메모리 셀을 수직으로 적층해 관련된 스토리지 문제를 해결한다. SK hynix는 이 수직 밀도가 아날로그 연산까지 지원할 수 있는지를 묻고 있다. FeNAND는 기존의 전하 기반 제어를 여러 프로그래밍 가능한 상태에 적합한 강유전체 메커니즘으로 대체한다.
강유전체 소재는 외부 전기장이 사라진 뒤에도 내부 분극을 유지한다. 이 분극의 변화는 데이터를 저장하고 셀 전류를 제어하는 데 쓰이는 전기적 상태를 바꾼다. 원칙적으로 이러한 특성은 비휘발성 멀티레벨 가중치 저장을 지원한다.
상용 3D NAND는 일반적으로 CTN(charge-trap nitride)에 의존한다. 이 구조는 절연층 안에 전자를 포획하고 방출해 정보를 저장한다. 고밀도 디지털 스토리지에는 적합하지만, 정밀한 아날로그 전류 제어는 다른 요구사항이다.
SK hynix는 FeNAND가 더 낮은 전력에서 여러 전류 수준을 더 잘 제어할 수 있다고 주장한다. 이 특성은 메모리를 단순 파일 저장이 아닌 행렬 연산과 관련 있게 만든다. 수직 구조는 제한된 면적 안에 대규모 가중치 세트를 배치할 수도 있다.
압박은 지속적인 가중치 이동에 의존하는 아키텍처에 가해진다. GPU와 기타 디지털 가속기는 여전히 더 유연하고 성숙하다. 그러나 이를 지원하는 메모리 계층은 고도로 병렬화된 컴퓨팅 유닛에 계속 데이터를 공급해야 한다.
SK hynix는 HBM, DRAM, GPU를 즉시 제거하자는 제안을 하는 것이 아니다. 회사의 광범위한 포트폴리오에는 세 가지 주요 메모리 범주가 모두 포함돼 있다. FeNAND는 대신 고밀도 가중치 저장과 선택적 아날로그 연산에 최적화된 또 하나의 가능한 계층을 추가한다.
이 역할 분담은 중요하다. 학습은 종종 높은 수치 정밀도, 빈번한 가중치 업데이트, 유연한 실행을 요구한다. 반면 추론은 반복 연산에 안정적인 가중치를 사용할 수 있어, 비휘발성 컴퓨트인메모리가 더 현실적인 초기 목표가 된다.
따라서 단기 기회는 특수 목적 가속기에 있다. 가중치 이동이 에너지 사용량을 지배하는 경우 엣지 시스템, 검색 엔진, 대규모 추론 워크로드가 혜택을 볼 수 있다. 정확한 시장은 FeNAND가 연구 조건 밖에서도 유용한 정확도를 유지할 수 있는지에 달려 있다.
SK hynix 3D FeNAND가 밀도를 처리량으로 전환하는 방식
이 설계의 주장된 성능 향상은 더 많은 가중치를 제자리에 유지하고 주변 병목을 제거하는 데서 나오며, 단일 트랜지스터의 속도 향상에서 비롯되는 것은 아니다.
아키텍처는 기본적인 물리적 이점에서 출발한다. 수직 FeNAND는 셀을 서로 위로 적층해 주어진 면적 안에 더 많은 가중치를 저장할 수 있게 한다. 더 높은 로컬 용량은 외부 메모리와 가중치를 교환해야 하는 필요성을 줄인다.
용량이 자동으로 컴퓨팅 처리량을 보장하지는 않는다. 긴 수직 스트링은 저항을 유발하며, 전류가 흐를 때 IR 드롭을 만든다. IR 드롭은 전류가 저항을 통과하면서 발생하는 전압 손실이다.
이 손실은 사용 가능한 전류 범위를 압축할 수 있다. 전류 상태가 서로 가까워지면 시스템은 하나의 아날로그 가중치와 다른 가중치를 구분하기 더 어려워진다. 분리도가 낮으면 연산 오류 가능성이 커진다.
SK hynix의 셀 최적화는 펄스 수 변조를 사용해 프로그래밍된 상태를 조정한다. 하나의 거친 쓰기 동작에 의존하는 대신, 알고리즘은 제어된 펄스를 적용한다. 회사는 선택한 방식이 저전류 및 IR 드롭을 고려한 조건에서 멀티레벨 동작을 개선했다고 밝혔다.
다음 병목은 셀 외부에 있다. 워드라인은 연산 중 NAND 스트링의 일부를 활성화해야 한다. 선택된 라인 사이를 반복적으로 이동하면 스위칭 에너지가 추가되고 연산 순서가 지연된다.
이 연구는 이 전환 부담을 제한하기 위해 듀얼 워드라인 활성화를 사용한다. 두 워드라인이 조정된 동작에 참여해 불필요한 스위칭을 줄인다. 이 접근법은 주변 동작을 수동적인 배선이 아니라 컴퓨팅 엔진의 일부로 다룬다.
페이지 구성은 세 번째 계층을 형성한다. NAND는 페이지로 구성된 셀 그룹을 읽고 동작시킨다. 워크로드에 비해 너무 큰 페이지는 사용하지 않는 데이터와 회로를 활성화할 수 있다. 너무 작은 페이지는 추가 연산을 요구할 수 있다.
SK hynix는 이 비용의 균형을 맞추기 위해 페이지 분할을 평가했다. 공개 요약은 16킬로바이트 페이지와 4킬로바이트 구성을 비교한다. 더 작은 분할은 할당된 워크로드에 더 잘 맞을 때 병렬성을 개선할 수 있다.
인페이지 파이프라이닝은 어레이가 신경망 레이어를 처리하는 방식도 바꾼다. 이 방식은 한 페이지 안에 둘 이상의 레이어를 매핑하고 선택된 네트워크 구조를 복제한다. 연구진에 따르면, 이는 순방향 연산과 워드라인 전환을 줄인다.
IEDM 프로그램은 이 결과를 총체적 공동 최적화로 설명한다. 이 표현은 중요하다. 페이지 매핑을 바꾸지 않고 셀만 개선하면 시스템 수준의 오버헤드는 그대로 남는다.
이 메커니즘은 처리량과 에너지 효율 향상 폭의 큰 차이도 설명한다. 가중치 재로드를 피하면 연산 시간 이상을 절감한다. 반복 전송과 쓰기 작업을 제거해 와트당 연산 수를 훨씬 크게 개선할 수 있다.
다만 보고된 4,950배 수치는 벤치마크 비교이지, 전체 양산 서버에 대한 약속은 아니다. 이는 제한된 칩 면적 가정 아래 평가된 FeNAND 접근법과 선택된 2D 메모리 어레이를 비교한 수치다. 지원 전자장치, 데이터 변환, 시스템 통신도 여전히 에너지를 소비한다.
아날로그 결과는 일반적으로 다른 하드웨어가 사용할 수 있는 디지털 값으로 변환해야 합니다. 아날로그-디지털 변환기는 면적을 차지하고 상당한 전력을 소비할 수 있습니다. 어레이 전반에서 부분 결과를 누적하는 과정도 일부 데이터 이동을 되살릴 수 있습니다.
이 연구가 중요한 이유는 성과를 선언하기 전에 이러한 상호작용 중 여러 가지를 다루기 때문입니다. 셀 동작, 제어 오버헤드, 매핑 효율성이 하나의 분석에 포함됩니다. 이는 셀만을 대상으로 한 시연보다 더 많은 정보를 제공합니다.
또한 하드웨어와 소프트웨어의 공동 설계 필요성도 시사합니다. 컴파일러와 모델 매핑 도구는 사용 가능한 페이지, 정밀도, 전류 수준을 파악해야 합니다. 실용적인 FeNAND 가속기에는 하드웨어의 강점을 중심으로 모델 연산을 배치하는 소프트웨어가 필요합니다.
경쟁의 핵심은 가중치를 옮길 것인가, 저장된 곳에서 연산할 것인가이다
SK hynix 3D FeNAND는 기존 메모리 계층 구조에 도전하지만, 여러 다른 컴퓨트인메모리 기술과도 경쟁한다.
주요 경쟁 상대는 프로세서와 메모리가 분리된 기존 구조입니다. 이 아키텍처는 유연성, 정밀도, 성숙한 소프트웨어를 제공합니다. 약점은 경계를 지날 때마다 전력을 소비하는 계층 구조 안에서 데이터가 반복적으로 이동한다는 점입니다.
HBM은 가속기 가까이에 매우 높은 대역폭을 제공함으로써 이러한 약점을 줄입니다. 기존 메모리보다 훨씬 빠르게 GPU에 데이터를 공급하기 때문에 AI 시스템의 핵심 요소가 되었습니다. 하지만 HBM도 여전히 데이터를 이동시키며, 컴퓨트인메모리는 일부 전송을 피하려는 접근입니다.
두 기술은 공존할 수 있습니다. HBM은 자주 바뀌는 활성화값과 일반적인 가속기 트래픽을 처리할 수 있습니다. 고밀도 FeNAND 어레이는 더 큰 규모의 고정 가중치를 유지하고 적합한 행렬 연산을 실행할 수 있습니다.
SRAM 기반 컴퓨트인메모리는 또 다른 경로를 제공합니다. SRAM은 빠르고 디지털 로직과 호환되지만, 셀이 더 많은 면적을 차지하고 전원이 없으면 데이터를 잃습니다. 제한된 집적도는 가속기 내부에서 사용할 수 있는 모델 용량을 제약할 수 있습니다.
저항성 RAM, 즉 RRAM은 아날로그 연산에 프로그래밍 가능한 저항을 사용합니다. RRAM 크로스바는 행렬-벡터 연산을 효율적으로 수행하기 때문에 중요한 연구 플랫폼이 되었습니다. 실용화 과제로는 소자 변동성, 내구성, 변환 오버헤드, 대규모 어레이 확장이 있습니다.
상변화 메모리와 자기 메모리는 다른 비휘발성 선택지를 제공합니다. 각 기술은 집적도, 프로그래밍 에너지, 내구성, 속도, 제조 복잡성 사이에서 서로 다른 균형을 이룹니다. 어떤 단일 소자도 시스템 수준의 모든 절충점을 없애지는 못했습니다.
FeNAND의 제안된 장점은 수직 집적도와 아날로그 프로그래밍 가능성의 결합입니다. 3차원 스트링은 비교 가능한 평면 어레이보다 훨씬 많은 가중치를 저장합니다. 모델이 그렇지 않으면 빈번한 재로딩을 필요로 할 때 이러한 집적도는 가치가 커집니다.
이 접근법은 디지털 니어메모리 처리와도 경쟁합니다. 이러한 시스템은 아날로그 전류 상태에 의존하는 대신 기존 로직을 메모리 옆에 배치합니다. 디지털 연산은 일반적으로 더 예측 가능한 정밀도를 제공하지만, 효율성 향상 폭은 더 작을 수 있습니다.
IEDM 2025는 이러한 폭넓은 경쟁 구도를 보여주었습니다. Macronix는 대규모 언어 모델을 위한 3D NAND 기반 혼합 모드 인스토리지 컴퓨팅 아키텍처를 발표했습니다. 해당 사례 연구는 Qwen 2.5 Math 7B를 사용하고 MATH500에서 계산 오류를 평가했습니다.
이 인접한 연구는 NAND 기반 연산이 한 회사나 한 소재에 국한되지 않음을 보여줍니다. 연구진은 아날로그, 혼합 모드, 인스토리지 설계를 탐색하고 있습니다. 공통된 동기는 대규모 가중치 저장소와 별도 프로세서 사이의 전송을 줄이는 것입니다.
SK hynix는 이 연구 방향에 대한 이전 경험도 보유하고 있습니다. IEEE의 FeNAND 개요는 셀당 최소 256개 컨덕턴스 수준을 갖춘 초기 SK hynix 소자를 설명했습니다. 이 연구는 안정적인 곱셈-누산 연산과 평가 과제에서 87.8%의 정확도를 보고했습니다.
새 논문은 고밀도 아날로그 연산의 시연에서 이를 둘러싼 아키텍처 최적화로 나아갑니다. 신뢰할 수 있는 제품에는 유리한 소자 특성만으로는 충분하지 않기 때문에 이러한 진전은 중요합니다. 반복 가능한 프로그래밍, 관리 가능한 주변 회로 비용, 워크로드 인지형 데이터 배치가 필요합니다.
경쟁의 핵심은 FeNAND가 하나의 행렬 연산을 수행할 수 있는지 여부가 아닙니다. 전체 시스템이 그 집적도와 에너지 이점을 유지할 수 있는지가 관건입니다. 변환, 보정 또는 제어 하드웨어를 지나치게 추가하는 설계는 핵심 논리를 약화시킵니다.
효율성 주장은 여전히 정확도와 제조 검증을 거쳐야 한다
남은 질문은 변동성, 정밀도, 내구성, 전체 시스템 오버헤드를 같은 측정에 포함했을 때 SK hynix가 보고된 이점을 유지할 수 있는지 여부다.
아날로그 컴퓨팅은 물리적 병렬성을 위해 일부 디지털 확실성을 교환합니다. 전류는 어레이 전반에서 자연스럽게 합산되어 많은 연산이 동시에 일어날 수 있습니다. 그러나 전기적 노이즈와 소자 변동성은 결과를 바꿀 수 있습니다.
2026년 아날로그 정확도 리뷰는 노이즈, 소자 변동성, 회로 효과, 변환 오버헤드를 지속적인 한계로 지목합니다. 보정 방법은 정밀도를 개선할 수 있지만, 면적, 시간 또는 에너지를 소비합니다.
FeNAND는 이러한 일반적인 아날로그 과제와 더불어 긴 수직 스트링의 동작 특성에도 직면합니다. 신호가 구조를 통과하면서 저항은 증가합니다. 셀은 인접한 연산에 영향을 줄 수 있으며, 공정 차이는 스위칭 임계값을 바꿀 수 있습니다.
강유전체 소재는 고유한 신뢰성 문제도 제기합니다. 반복 프로그래밍은 시간이 지나며 소자 동작을 변화시킬 수 있습니다. 대규모로 제조된 어레이 전반에서 데이터 보존성, 내구성, 온도 민감도, 변동성이 허용 가능한 수준을 유지해야 합니다.
멀티레벨 저장은 난이도를 더욱 높입니다. 더 많은 레벨은 셀당 저장 정보량을 늘립니다. 동시에 인접 상태 간 전기적 여유를 줄여 노이즈와 드리프트의 영향을 더 크게 만듭니다.
SK hynix의 쓰기 최적화는 모델링된 저항 조건에서 전류 수준 분리를 다룹니다. 이는 유용한 근거이지만 모든 제품 관련 질문에 답하지는 않습니다. 공개 자료에는 상용 칩, 제조 일정 또는 고객 인증 프로그램이 설명되어 있지 않습니다.
벤치마크의 경계 조건도 주의할 필요가 있습니다. 최대 16배 높은 처리량과 4,950배 높은 에너지 효율은 보편적인 배수가 아닙니다. 이는 특정 아키텍처, 칩 면적 제약, 워크로드 가정을 비교한 결과입니다.
20.4배의 TOPS 향상과 7.17배의 와트당 TOPS 향상은 초기 3D FeNAND 설계를 기준으로 합니다. 이 수치는 공동 최적화의 가치를 더 잘 분리해 보여줍니다. 그럼에도 독립적으로 재현된 제품 측정치가 아니라 연구 평가 결과입니다.
시스템 수준 성능은 메모리 어레이 외부의 구성 요소에 달려 있습니다. 입력 전달, 데이터 변환, 오류 처리, 스케줄링, 호스트 프로세서와의 통신이 모두 기여합니다. 냉각과 전력 공급 역시 실제 배포 가능한 효율성에 영향을 미칩니다.
워크로드 적합성도 또 다른 제약입니다. 행렬 중심 추론은 아날로그 곱셈-누산 연산에 자연스럽게 매핑됩니다. 분기 코드, 변화하는 가중치, 고정밀 작업, 범용 소프트웨어는 그렇게 깔끔하게 매핑되지 않습니다.
모델 아키텍처는 반도체 생산보다 더 빠르게 바뀔 수 있습니다. 특정 페이지 레이아웃이나 정밀도에 최적화된 칩은 새로운 어텐션 메커니즘, 희소성 패턴 또는 양자화 형식을 마주할 수 있습니다. 프로그래밍 가능성이 설계가 이러한 변화를 얼마나 잘 견디는지를 결정할 것입니다.
소프트웨어는 공개 설명에서 여전히 중요한 결여 계층입니다. 개발자에게는 컴파일러, 매핑 도구, 보정 루틴, 성능 모델이 필요합니다. 이러한 스택이 없으면 성능이 뛰어난 하드웨어라도 일관되게 사용하기 어렵습니다.
제조 통합은 가장 큰 장기 시험 과제입니다. 연구진은 수율이나 신뢰성을 손상하지 않고 강유전체 소재를 고밀도 NAND 공정에 통합해야 합니다. 그 결과물은 기존 메모리 생산과도 경제적으로 경쟁해야 합니다.
이러한 한계가 연구의 가치를 무효화하지는 않습니다. 오히려 논문이 무엇을 입증하는지 분명히 합니다. SK hynix는 아키텍처 수준에서 큰 벤치마크 향상으로 뒷받침되는, FeNAND 컴퓨팅을 위한 더 통합적인 경로를 제시했습니다.
아직 입증되지 않은 것은 상용화입니다. 회사는 생산 시점, 명명된 가속기 또는 이 아키텍처를 배포하는 시스템 공급업체를 발표하지 않았습니다. 독자는 이 결과를 출하 사양이 아니라 연구 이정표로 받아들여야 합니다.
FeNAND가 연구실을 벗어날 수 있는지 보여줄 세 가지 신호
다음 증거는 어레이 수준 결과를 작동하는 하드웨어, 재현 가능한 정확도, 현실적인 제조 경로와 연결해야 한다.
첫 번째 신호는 독립적으로 검토 가능한 시스템 측정치를 갖춘, 제작된 공동 최적화 테스트 칩입니다. 이러한 시연에는 변환기, 주변 회로, 스케줄링 로직, 호스트 통신이 포함되어야 합니다. 이 구성 요소들을 포함한 뒤에도 효율성 이점이 크다면 SK hynix의 아키텍처 주장은 훨씬 강해집니다.
같은 테스트는 TOPS 및 와트당 TOPS와 함께 모델 정확도를 보고해야 합니다. 아날로그 오류가 출력 품질을 실질적으로 저하시킨다면 빠른 결과의 가치는 제한적입니다. 여러 온도와 여러 칩에 걸친 측정은 설계가 하나의 유리한 샘플을 넘어 안정적으로 유지되는지 보여줄 것입니다.
두 번째 신호는 최신 AI 모델에서의 워크로드 검증입니다. 연구진은 모델 크기, 수치 정밀도, 가중치 업데이트 동작, 페이지 매핑, 재로딩 빈도를 공개해야 합니다. 트랜스포머 추론 테스트는 수직 집적도가 실제 구매자가 배포하려는 워크로드에서 데이터 이동을 줄이는지 보여줄 것입니다.
비교 역시 일관된 시스템 경계를 사용해야 합니다. FeNAND, RRAM, SRAM, HBM 지원 GPU, 디지털 니어메모리 설계는 비교 가능한 주변 회로 비용을 포함해야 합니다. 투명한 벤치마크는 SK hynix의 주장을 뒷받침하거나 그 실질적 의미를 좁힐 것입니다.
세 번째 신호는 제조 및 소프트웨어 로드맵입니다. 공정 통합 공개, 내구성 데이터, 개발자 도구, 가속기 설계업체와의 파트너십을 주시해야 합니다. 명명된 파일럿 또는 평가 플랫폼은 소자 연구에서 제품 엔지니어링으로의 이동을 나타낼 것입니다.
로드맵은 FeNAND가 SK hynix의 HBM, DRAM, NAND 사업과 함께 어디에 위치하는지도 설명해야 합니다. 이 제품들을 보완한다면 첫 배포는 특화된 추론 계층이 될 수 있습니다. 새로운 제조 흐름이 필요하다면 도입은 수율과 고객 수요에 달려 있을 것입니다.
개발자와 기업 구매자에게 즉각적인 행동은 조달이 아니라 관찰입니다. 모든 성능 수치 뒤에 있는 시스템 경계를 추적해야 합니다. 어떤 연산이 메모리 내부에 머물고 어떤 연산이 기존 프로세서로 돌아가는지 물어야 합니다.
이 변화를 추적하는 팀은 논문, 벤치마크 정의, 구현 노트를 검색 가능한 엔지니어링 지식 베이스에 보존해야 합니다. निर्णायक 증거는 소자 논문, 아키텍처 공개, 소프트웨어 릴리스 전반에서 나올 것입니다.
SK hynix 3D FeNAND는 이미 NAND를 수동적인 저장 장치 이상으로 다뤄야 한다는 신뢰할 만한 연구 근거를 제시했습니다. 이제 더 어려운 시험이 시작됩니다. 아날로그 정확도, 주변 하드웨어, 소프트웨어, 대량 생산이 하나의 시스템에서 만날 때도 그 이점을 유지하는 것입니다.
