YMTC Xtacking 4.0(Gen5)技术深度分析

在存储技术飞速发展的当下,长江存储(YMTC)的 Xtacking 4.0(Gen5)技术备受瞩目。本文将深入分析该技术与此前的 Xtacking 2.0(128L,Gen3)和 Xtacking 3.0(232L,Gen4)之间的差异。

一、技术背景
YMTC 的 3D NAND Gen1 是首款用于安全 USB 应用的 MLC 芯片,但并非 Xtacking(混合键合)结构。从 Gen2 到 Gen5 则采用了两片晶圆直接键合技术的 Xtacking 工艺。Xtacking 4.0 Gen5 集成了各种前沿技术,旨在提高存储密度、速度、性能和能效。
 

二、主要差异

(一)结构设计

  1. Centered X-DEC die design(中心 X-DEC 芯片设计):Xtacking 4.0 的 160L TLC 芯片采用中心 - XDEC 架构,与边缘 - XDEC 设计相比,可将 WL 电容减半,降低 RC 负载和 RC 延迟(tRC)。这减少了 WL 稳定时间和充电 WL 所需的电流,从而提高了读写性能。
  2. Back side source connect(BSSC,背面源极连接):YMTC 在 Xtacking 3.0 产品中引入了 BSSC,Xtacking 4.0 的 160L 芯片也应用了该技术。通过翻转的 NAND 阵列芯片实现混合键合结构,BSSC 进一步优化了芯片性能。


(二)工艺改进

  1. Reduced vertical gate pitch(减小垂直栅极间距):有助于提高存储密度。
  2. 20 vertical channel(VC)hole design without dummy holes(20 个无虚设孔的垂直通道孔设计):今年早些时候,铠侠 / 西部数据(KIOXIA/WD)已发布采用 20 个 VC 孔 OPS 单元设计的 BiCS8 218L 产品。YMTC 的 Xtacking 4.0 芯片也采用了这种设计,所有 20 个孔均为有效孔,有效 VC 间距为 155nm,是目前最小的,与 KIOXIA/WD BiCS8 CBA 218L 1Tb TLC 芯片相同。

(三)性能提升

  1. Relatively reduced die size(相对减小的芯片尺寸):512Gb 芯片的尺寸为 40.44mm²,相对较小的芯片尺寸有助于提高集成度。
  2. Relatively increased bit density(相对增加的位密度):160L TLC 芯片的位密度为 12.66Gb/mm²,更高的位密度意味着在相同空间内可以存储更多数据。
  3. Relatively larger block size with more pages and strings(相对较大的块尺寸,具有更多页面和串):为 160L 芯片设计的相对较大的块尺寸,以及更多的页面和串,有助于提高存储性能和读写速度。

三、技术影响

  1. 市场竞争:随着铠侠 / 西部数据的 BiCS8 218L CBA 芯片和 YMTC 的 Xtacking 3D NAND 产品在市场上的流行,三星、SK 海力士和美光也将很快采用混合键合技术。这表明 Xtacking 技术在行业内的影响力不断扩大,推动了存储技术的竞争与发展。
  2. 应对制裁:YMTC 将通过推进 Xtacking 技术、提高工艺成熟度、提高制造良率和实现产品多样化,来减少美国制裁对工具的影响。这显示了 YMTC 在面对外部压力时的积极应对策略和技术创新能力。
     

综上所述,YMTC 的 Xtacking 4.0(Gen5)技术在结构、工艺和设计方面都取得了重大突破,与前几代技术相比,在存储密度、性能和能效等方面都有了显著提升。随着技术的不断发展,我们期待 YMTC 在存储领域继续发挥重要作用,为用户带来更高效、更可靠的存储解决方案。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.xdnf.cn/news/146947.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

HarmonyOS鸿蒙开发实战(5.0)表情图片聊天案例实践

鸿蒙HarmonyOS NEXT开发实战往期文章必看(持续更新......) HarmonyOS NEXT应用开发性能实践总结 HarmonyOS NEXT应用开发案例实践总结合集 最新版!“非常详细的” 鸿蒙HarmonyOS Next应用开发学习路线!(从零基础入门…

混合开发-JSBridge

1.1 什么是混合开发? 混合开发是一种融合了原生开发和Web开发优势的移动应用开发方式。 具体来说,混合开发通常指的是利用一种框架或平台来创建应用程序,这种程序结合了原生应用的一些功能和特性(比如访问设备的摄像头、相册、GPS、蓝牙等…

DAMODEL——Llama3.1的部署与使用指南

Llama3.1的部署与使用指南 在自然语言处理(NLP)领域,大模型(LLM)是基于深度学习算法训练而成的重要工具,应用范围包括自然语言理解和生成。随着技术的发展,开源的LLM不断涌现,涵盖了…

Windows上通过VirtualBox安装Linux虚拟机

目录 一、安装VirtualBox 1. 下载VirtualBox 2. 安装VirtualBox 二、使用VirtualBox安装Linux系统 1. 下载Linux镜像 2. 使用VirtualBox新建虚拟环境 三、常见问题解决办法 1. Terminal打不开系统字符乱码 2. 窗口小和分辨率不匹配 一、安装VirtualBox 1. 下载Virtu…

10.2 溪降技术:双重检查

目录 10.2 双重检查概览观看视频课程电子书:双重检查场景场景 1场景 2 个人责任示例 1示例 2 总结 10.2 双重检查 概览 俗话说:“江山易改,本性难移”。在我们开始体验峡谷探险时,培养良好的习惯对我们的进一步发展至关重要。在所…

重生之我们在ES顶端相遇第15 章 - ES 的心脏-倒排索引

文章目录 前言为什么叫倒排索引数据结构如何生成如何查询TF、IDF参考文档 前言 上一章,简单介绍了 ES 的节点类型。 本章,我们要介绍 ES 中非常重要的一个概念:倒排索引。 ES 的全文索引就是基于倒排索引实现的。 本章内容建议重点学习&…

实现人体模型可点击

简化需求:实现项目内嵌人体模型,实现点击不同部位弹出部位名称 一:优先3d, 方案:基于three.js,.gltf格式模型,vue3 缺点:合适且免费的3d模型找不到,因为项目对部位有要…

Python实现贝叶斯优化器(Bayes_opt)优化卷积神经网络-双向长短时记忆循环神经网络回归模型(CNN-BiLSTM回归算法)项目实战

说明:这是一个机器学习实战项目(附带数据代码文档视频讲解),如需数据代码文档视频讲解可以直接到文章最后获取。 1.项目背景 随着大数据和计算能力的提升,深度学习模型在众多领域取得了显著的成功。然而,这…

Nature Communications|一种快速响应的智能可穿戴嗅觉接口(可穿戴电子/柔性电子/人机交互)

香港城市大学于欣格( Xinge Yu)、北京航空航天大学李宇航(Yuhang Li)、中国特种设备检验研究所赵召(Zhao Zhao)和东京大学Takao Someya团队,在《Nature Communications》上发布了一篇题为“Intelligent wearable olfactory interface for latency-free mixed reality and …

HAL库-4.3寸电容式接触屏LCD驱动(未完成)

目录 1.LCD介绍: 工作原理 显示特性 优缺点 2.LCD与OLED的区别: 1. 工作原理 2. 显示效果 3. 屏幕厚度与重量 4. 能耗 5. 寿命与稳定性 6. 应用场景 实验所用模块:ATK-4.3’ TFTLCD 原理图模块与数据手册介绍: LCD驱…

OpenAI GPT o1技术报告阅读(5)-安全性对齐以及思维链等的综合评估与思考

✨继续阅读报告:使用大模型来学习推理(Reason) 原文链接:https://openai.com/index/learning-to-reason-with-llms/ 编码 我们训练了一个模型,在2024年国际信息学奥林匹克竞赛(IOI)中得分213分,排名在第…

大数据实验一: Linux系统安装和使用

一、实验目的 描述Ubuntu的安装过程;使用命令完成Ubuntu中的基础操作; 二、实验平台 操作系统:window系统;内存:4G以上;硬盘:100GB以上;Virtual Box或者VMware;Ubuntu…

当大语言模型应用到教育领域时会有什么火花出现?

当大语言模型应用到教育领域时会有什么火花出现? LLM Education会出现哪些机遇与挑战? 今天笔者分享一篇来自New York University大学的研究论文,另外一篇则是来自Michigan State University与浙江师范大学的研究论文,希望对这个话题感兴趣…

Java反序列化利用链篇 | CC6链分析(通用版CC链)

文章目录 CC6和CC1之间的区别CC6的调用链构造CC6的payload完成TiedMapEntry.getValue()完成TiedMapEntry.hashCode()完成HashMap.hash()及HashMap.readObject()解决hash()方法提前触发的问题 系列篇其他文章,推荐顺序观看~ Java反序列化利用链篇 | JdbcRowSetImpl利…

FastAPI 的隐藏宝石:自动生成 TypeScript 客户端

在现代 Web 开发中,前后端分离已成为标准做法。这种架构允许前端和后端独立开发和扩展,但同时也带来了如何高效交互的问题。FastAPI,作为一个新兴的 Python Web 框架,提供了一个优雅的解决方案:自动生成客户端代码。本…

C语言-文件操作-一些我想到的、见到的奇怪的问题

博客主页:【夜泉_ly】 本文专栏:【C语言】 欢迎点赞👍收藏⭐关注❤️ C语言-文件操作-一些我想到的、见到的奇怪的问题 前言1.在不关闭文件的情况下,连续多次调用 fopen() 打开同一个文件,会发生什么?1.1过…

简单多状态dp第三弹 leetcode -买卖股票的最佳时机问题

309. 买卖股票的最佳时机含冷冻期 买卖股票的最佳时机含冷冻期 分析: 使用动态规划解决 状态表示: 由于有「买入」「可交易」「冷冻期」三个状态,因此我们可以选择用三个数组,其中: ▪ dp[i][0] 表示:第 i 天结束后&#xff0c…

基于主从Reactor模型实现高并发服务器

目录 1. 项目简介1.1 环境介绍1.2 项目定位1.3 功能模块整体划分 2. Reactor简介2.1 Reactor模型分析2.2 多Reactor多线程分析:多I/O多路复用线程池(业务处理) 3. 日志宏的编写4. Server模块4.1 Buffer模块4.1.1 Buffer的功能4.1.2 Buffer的实…

AI健身之俯卧撑计数和姿态矫正-角度估计

在本项目中,实现了Yolov7-Pose用于人体姿态估计。以下是如何在Windows 11操作系统上设置和运行该项目的详细步骤。 环境准备 首先,确保您的计算机已经安装了Anaconda。Anaconda是一个开源的Python发行版本,它包含了conda、Python以及众多科…

Python基于TensorFlow实现时间序列循环神经网络回归模型(LSTM时间序列回归算法)项目实战

说明:这是一个机器学习实战项目(附带数据代码文档视频讲解),如需数据代码文档视频讲解可以直接到文章最后获取。 1.项目背景 随着信息技术的发展和传感器设备的广泛应用,时间序列数据的产生量急剧增加。无论是股市价格…