SK hynix will nicht nur mehr Daten in NAND speichern, sondern den Ort der KI-Arithmetik verändern. Die aktuelle öffentliche Erläuterung zu 3D FeNAND beschreibt, wie Modellgewichte in vertikal gestapeltem Speicher verbleiben und ausgewählte Multiplikations- und Akkumulationsoperationen dort stattfinden. Das Einsparpotenzial entsteht dadurch, dass wiederholte Übertragungen an einen separaten Prozessor entfallen.
Der Bericht vom 14. Oktober 2026 erläutert Forschung, die im Dezember 2025 auf der IEDM vorgestellt wurde. Er nennt erhebliche Verbesserungen, aber keinen kommerziellen Chip, Produktionstermin oder Kundenqualifizierungsplan. Der Fortschritt liegt im abgestimmten Entwurf von Speicherzellen, Steuerung und Arbeitsverteilung – nicht darin, dass eine gewöhnliche SSD eine GPU ersetzen könnte.
Zwei Vergleiche ergeben kein gemeinsames Versprechen
Laut Unternehmensdarstellung liegen Durchsatz und Energieeffizienz unter den untersuchten Last- und Chipflächenbedingungen bis zu 16 beziehungsweise 4.950 Mal über ausgewählten herkömmlichen zweidimensionalen Arrays. Das sind Architekturvergleiche, keine universellen Faktoren für einen vollständigen KI-Server.
Eine technische Zusammenfassung verwendet einen anderen Ausgangspunkt: das frühere 3D-FeNAND-Design. Gegenüber diesem Vorgänger liefert die gemeinsame Optimierung 20,4 Mal mehr TOPS und 7,17 Mal mehr TOPS pro Watt. TOPS bezeichnet Billionen Operationen pro Sekunde, TOPS/W die Energieeffizienz. Beide Vergleichsbasen dürfen weder kombiniert noch ausgetauscht werden.
Die Dichte erklärt, warum der Effizienzgewinn gegenüber einem planaren Array erheblich größer als der Durchsatzgewinn ausfallen kann. Mehr lokal gespeicherte Gewichte bedeuten weniger Nachladen, Neuschreiben und Wartezeiten rund um die Berechnung. Die Ersparnis hängt aber vom Modell und seiner Abbildung ab; eine 4.950-fach niedrigere Stromrechnung eines Produktionssystems ist damit nicht gemessen.
Drei verbundene Änderungen machen Dichte nutzbar
FeNAND nutzt ferroelektrische Polarisation, die nach Entfernung des elektrischen Feldes bestehen bleibt. Dieser Zustand steuert den Zellstrom und kann mehrere nichtflüchtige Gewichtsstufen darstellen. Kommerzielles 3D NAND verwendet üblicherweise Charge-Trap-Nitrid, das Elektronen in einer Isolierschicht festhält. Dichte digitale Speicherung und präzise analoge Stromsteuerung stellen unterschiedliche Anforderungen.
Eine lange vertikale Zellkette bringt Widerstand mit sich. Fließender Strom erzeugt einen IR-Spannungsabfall, der die Abstände analoger Zustände verkleinern kann. Näher beieinanderliegende Zustände sind schwerer zu unterscheiden. Mehr gestapelte Zellen bedeuten deshalb nicht automatisch mehr korrekte Berechnung.
Auf Zellebene setzt SK hynix Pulszahlmodulation ein: Eine kontrollierte Folge von Programmierimpulsen stimmt die Zustände bei niedrigen Strömen unter Berücksichtigung des Spannungsabfalls ab. Das ist ein Verfahren zur mehrstufigen Programmierung, nicht bloß ein schnellerer Transistor. Es verbessert den nutzbaren Strombereich, auf den analoge Gewichte angewiesen sind.
Die zweite Änderung betrifft den Aufwand außerhalb der Zelle. Wortleitungen wählen und steuern Zellen; wiederholte Spannungswechsel kosten Energie und Zeit. Die Aktivierung zweier Wortleitungen reduziert diese Übergänge. Die Steuerung gehört zum Rechenentwurf, weil sonst teure Schaltvorgänge die Vorteile einer effizienten Zelle aufzehren können.
Die dritte Ebene ist die Seitenorganisation. Pipelining innerhalb einer Seite platziert mehrere Netzschichten und Kopien ausgewählter Operationen gemeinsam, wodurch Vorwärtsoperationen und Wortleitungswechsel sinken. Seitenaufteilung vergleicht 16 KB mit einer 4-KB-Anordnung zur Lastanpassung. Zu große Seiten aktivieren ungenutzte Schaltungen; zu kleine können zusätzliche Operationen erfordern.
Die im IEDM-Programm aufgeführte Arbeit verknüpft deshalb Zell-, Nichtzell- und Seitenschemata. Vertikale Kapazität wird erst dann wertvoll, wenn Programmierung, Schalten und Abbildung produktive Arbeit damit ermöglichen.
Die Speicherwand verschwindet nicht überall
Die Forschung zu In-Memory-Computing beschreibt Datenbewegung als wesentlichen Zeit- und Energieaufwand. Analoge Arrays nutzen physikalische Ströme, um Eingaben mit gespeicherten Gewichten zu multiplizieren und Ergebnisse parallel zu summieren. Viele nahe gespeicherte Gewichte können Verkehr zwischen Massenspeicher, DRAM, Caches und Beschleuniger reduzieren.
Inferenz mit stabilen Gewichten ist ein plausibler erster Einsatz. Training benötigt häufige Aktualisierungen, Genauigkeit und flexible Ausführung, die schwieriger abzubilden sind. HBM und GPUs werden nicht überflüssig: HBM kann wechselnde Aktivierungen und allgemeinen Beschleunigerverkehr bedienen, während eine dichte FeNAND-Stufe geeignete Operationen mit festen Gewichten übernimmt.
Andere Ansätze haben andere Kompromisse. SRAM ist schnell und mit Logikprozessen kompatibel, aber flüchtig und relativ flächenintensiv. RRAM-Kreuzmatrizen bieten programmierbaren Widerstand, kämpfen jedoch mit Variation, Lebensdauer und Wandlungsaufwand. Phasenwechsel- und Magnetspeicher balancieren ebenfalls Dichte, Geschwindigkeit und Zuverlässigkeit; digitale speichernahe Logik bietet besser vorhersehbare Präzision, möglicherweise bei kleineren Effizienzgewinnen.
Macronix beschrieb auf der IEDM 2025 gemischtmodales In-Storage-Computing mit 3D NAND für Sprachmodelle und untersuchte Fehler mit Qwen 2.5 Math 7B und MATH500. Das ist benachbarte Forschung, keine direkte Bestätigung der SK-hynix-Ergebnisse. Ebenso berichtete die frühere IEEE-Übersicht zu FeNAND von mindestens 256 Leitwertstufen und 87,8 Prozent Genauigkeit in ihrer untersuchten Aufgabe, nicht für ein aktuelles Sprachmodell oder die neue Architektur.
Genauigkeit und Peripherie entscheiden über den Nutzen
Analoge Parallelität tauscht einen Teil digitaler Gewissheit gegen physikalische Effizienz. Rauschen, Prozessstreuung, Schaltungseffekte und Wandlungsfehler beeinflussen Resultate, wie die Übersicht zur analogen Genauigkeit erläutert. Korrektur kann die Präzision erhöhen und zugleich die Fläche, Zeit oder Energie verbrauchen, die man einsparen möchte.
FeNAND muss außerdem vertikale Widerstände, Wechselwirkungen benachbarter Zellen und Schwankungen der Schaltschwelle beherrschen. Ferroelektrische Datenhaltung, Beständigkeit gegen wiederholtes Programmieren, Drift und Temperaturempfindlichkeit müssen auch in großen Arrays akzeptabel bleiben. Mehr Gewichtsstufen verkleinern den Abstand zwischen Zuständen und verschärfen diese Anforderungen.
Ein einsatzfähiger Beschleuniger muss Analog-Digital-Wandler, Eingangszufuhr, Akkumulation von Teilergebnissen, Ablaufplanung und Hostkommunikation einrechnen. Kühlung und Stromversorgung kommen hinzu. Ohne vergleichbare Grenzen beantworten TOPS/W eines Arrays und Messungen eines kompletten GPU-Systems unterschiedliche Fragen.
Software ist ebenso wichtig. Compiler müssen Operationen auf verfügbare Seiten, Präzision und Stromstufen abbilden; Kalibrierung muss brauchbare Genauigkeit erhalten. Aufmerksamkeitsmechanismen, Sparsität und Quantisierung können sich schneller ändern als Fertigungsprozesse. Ein Entwurf benötigt Programmierbarkeit, um auch bei veränderter ursprünglicher Last nützlich zu bleiben.
Was aus Forschung ein Produktargument machen würde
Der nächste überzeugende Nachweis wäre ein gefertigter, gemeinsam optimierter Chip, der Genauigkeit neben Durchsatz und Energie ausweist und Wandler sowie Peripherielogik einschließt. Messungen bei unterschiedlichen Temperaturen und an mehreren Chips würden die Stabilität jenseits günstiger Bedingungen zeigen. Tests aktueller Modelle sollten Größe, Präzision, Gewichtsaktualisierung, Seitenbelegung und Nachladehäufigkeit offenlegen.
Danach braucht es Nachweise zur Integration ferroelektrischer Materialien, Ausbeute, Datenhaltung und Lebensdauer sowie Entwicklungswerkzeuge, einen Beschleunigerpartner oder eine Evaluierungsplattform. Kein Effizienzmultiplikator ersetzt diese Meilensteine. Der heutige Stand ist ein Forschungsfortschritt für spezialisierte Inferenz, keine Einkaufsspezifikation.
Teams können Arbeiten und Benchmarkdefinitionen in einer durchsuchbaren Wissensbasis für technische Dokumente sichern, um Vergleichsbasen auseinanderzuhalten. Entscheidend bleibt, ob Dichte noch Energie spart, wenn Genauigkeit, Software und sämtliche umgebende Hardware zusammen gemessen werden.