Bilgisayarlarda işlemci ne kadar hızlı olursa olsun, ihtiyaç duyduğu verinin bellekte hazır bulunması gerekiyor. Bugün bunun için kullanılan DRAM, elektrik kesildiğinde verileri kaybediyor ve içerdiği bilgilerin düzenli olarak tazelenmesine ihtiyaç duyuyor.
Peki hem RAM kadar hızlı çalışabilen hem de bilgisayar kapandığında verileri saklayabilen bir bellek üretmek mümkün mü? Yaklaşık yarım asırdır üzerinde çalışılan memristörler ve onlarla ilişkili direnç tabanlı bellek teknolojileri, bu sorunun en dikkat çekici yanıtlarından biri.
Memristör fikrini 1971 yılında elektronik mühendisi Leon Chua ortaya attı. “Memory” (bellek) ve “resistor” (direnç) kelimelerinden türetilen isim, elektriksel geçmişine bağlı olarak direnci değişen bir devre elemanını tanımlıyordu.
2008 yılında HP Labs araştırmacıları, titanyum dioksit kullanan nanoölçekli bir aygıtın davranışını bu kavramla ilişkilendirdi. Bunun Chua’nın tarif ettiği ideal dördüncü temel devre elemanının birebir fiziksel karşılığı olup olmadığı ise bilimsel tartışmalara konu oldu.
Normal bir direnç, ideal koşullarda geçmişinden bağımsız belirli bir direnç değeri sunuyor. Memristif özellik gösteren bir aygıtta ise uygulanan elektriksel uyarı, malzemenin iç yapısını değiştirerek direnci etkileyebiliyor. Bazı türlerde bu yeni durum enerji kesildikten sonra da korunuyor. Bilginin saklanması için sürekli elektrik verilmesine ihtiyaç kalmıyor.
Bu ilkenin bellek alanındaki önemli uygulamalarından biri ReRAM veya RRAM (Resistive Random Access Memory). Yaygın tasarımlarda iki elektrot arasında son derece ince bir metal oksit tabakası bulunuyor. Uygulanan voltaj, oksijen boşluklarının veya metal iyonlarının yer değiştirmesine yol açarak iletken yolların oluşmasını ya da kopmasını sağlıyor.
Düşük ve yüksek direnç durumları, dijital bellekte 0 ve 1 değerlerini temsil edebiliyor. Ancak bütün ReRAM hücreleri aynı mekanizmayla çalışmıyor ve her memristif aygıtın kalıcı bellek olması gerekmiyor.
Günümüzde ana bellek olarak kullanılan DRAM hücreleri, bilgiyi küçük kapasitörlerdeki elektrik yüküyle saklıyor. Bu yük zamanla sızdığı için belleğin içeriği periyodik olarak yenileniyor.
Elektrik tamamen kesildiğinde ise veriler korunamıyor. İşlemci önbelleklerinde kullanılan SRAM farklı bir devre yapısına sahip olsa da o da güç kesildiğinde içeriğini kaybediyor.
Kalıcı bir ReRAM hücresi ise bitleri elektrik yükünü sürekli muhafaza ederek değil, malzemenin direnç durumunu koruyarak saklıyor. Uygun bir sistem tasarımında bekleme sırasında ve güç kesilip yeniden geldiğinde bunun avantajı olabiliyor.
Üstelik bazı ReRAM örneklerinde nanosaniye mertebesinde anahtarlama gösterildi. Ancak tek hücrenin laboratuvarda ulaştığı hız, gigabaytlarca belleğe sahip bir DDR5 modülünün gerçek erişim süresi ve bant genişliğiyle aynı şey değil.
DRAM’in yerini almak için yalnızca hızlı ve kalıcı olmak yetmiyor. Belleğin aynı zamanda çok yüksek sayıda okuma-yazma işlemine dayanabilecek güvenilirlikte olması, büyük kapasitelerde hatasız çalışması ve bit başına üretim maliyetinde rekabet edebilmesi gerekiyor. DRAM, onlarca yıllık üretim birikimi ve yüksek hacimli fabrikaları sayesinde bu alanlarda önemli bir avantaja sahip.
Üstelik elektriği kapattığınızda RAM içeriğinin korunması, bilgisayarın kaldığı yerden anında açılacağı anlamına gelmiyor. İşlemcinin önbelleklerinde ve yazma tamponlarında bulunan verilerin de hesaba katılması gerekiyor.
Elektrik kesintisi sırasında yarım kalan işlemler, işletim sistemi ve uygulamalar açısından veri tutarlılığı sorunları oluşturabiliyor. Dolayısıyla kalıcı ana bellek kullanımı, yalnızca bellek hücrelerinin değil, yazılım ve sistem mimarisinin de buna uygun tasarlanmasını gerektiriyor.
ReRAM tasarımlarının bir bölümünde veri yazmak, malzemenin içinde atomik ölçekte iletken yollar oluşturmayı veya değiştirmeyi gerektiriyor. Bu süreç her hücrede ve her yazma işleminde tamamen aynı gerçekleşmeyebiliyor.
Direnç seviyelerindeki sapmalar, okuma hatalarına veya verinin zaman içerisinde bozulmasına neden olabiliyor. Özellikle sıcaklık ve tekrarlanan yazma işlemleri, hücrelerin kararlılığını etkileyebiliyor.
Bir başka sorun dayanıklılık ile veri saklama süresi arasındaki denge. Belleğin direnç durumunu yıllarca koruması istenirken ihtiyaç duyulduğunda çok hızlı ve defalarca değiştirilebilmesi gerekiyor. Bu iki gereksinimi aynı malzeme ve hücre tasarımıyla karşılamak kolay değil.
Ayrıca büyük bellek dizilerinde komşu hücrelerden istenmeyen akımların geçmesi, yani sneak path sorunu, okuma güvenilirliğini azaltabiliyor. Seçici elemanlar ve ek devreler bu etkiyi sınırlayabiliyor ancak alan ve tasarım maliyeti getiriyor.
Üreticilerin yalnızca çalışan bir bellek hücresi göstermesi de yeterli değil. Milyarlarca hücrenin aynı yonga üzerinde kabul edilebilir hata oranıyla üretilebilmesi, kontrol devrelerinin tasarlanması ve teknolojinin mevcut üretim hatlarına ekonomik biçimde entegre edilmesi gerekiyor.
ReRAM yalnızca laboratuvar ortamında kalan bir teknoloji değil. Yarı iletken üreticisi TSMC, 2025 yılı itibarıyla 40 nm, 28 nm ve 22 nm süreçlerinde gömülü RRAM çözümlerini seri üretime taşıdı.
Şirket ayrıca 12 nm sınıfındaki RRAM teknolojisinin tüketici ürünlerine yönelik üretim yeterlilik çalışmalarını tamamladı. Bu bellekler, masaüstü bilgisayarlardaki DDR5 modüllerinin yerini almaktan çok mikrodenetleyiciler ve nesnelerin interneti gibi alanlarda yonga içi kalıcı veri depolama için kullanılıyor.
Bu alanda ReRAM tek aday da değil. Manyetik durumları kullanan MRAM, ferroelektrik malzemelerden yararlanan FeRAM ve malzemenin faz değişimine dayanan PCM de farklı hız, dayanıklılık, yoğunluk ve enerji tüketimi özellikleri sunuyor. Her birinin mevcut bellek hiyerarşisinde farklı kullanım alanları bulunuyor.
Memristif aygıtların araştırılmasının bir başka nedeni, yalnızca veri depolamayla sınırlı değil. Geleneksel bilgisayarlarda işlemci ile bellek arasında sürekli veri taşınması, gecikme ve enerji tüketimi oluşturuyor. Bellek içinde hesaplama (Computing-in-Memory) yaklaşımı, belirli matematiksel işlemleri verinin saklandığı yapıya taşıyor.
Örneğin çapraz hatlar üzerinde dizilen ReRAM hücrelerinin iletkenlikleri, bir yapay sinir ağının ağırlıklarını temsil edecek şekilde ayarlanabiliyor. Hatlara uygulanan voltajlar ve oluşan akımlar kullanılarak matris-vektör çarpımlarının bazı bölümleri analog olarak gerçekleştirilebiliyor. Bu yöntem, yapay zekâ çıkarımı gibi çok sayıda benzer hesaplamanın tekrarlandığı işlerde veri taşıma ihtiyacını azaltabiliyor.
Ancak analog hesaplama beraberinde yeni sorunlar getiriyor. Hücreler arasındaki farklılıklar, elektriksel gürültü, zamanla değişen direnç seviyeleri ve analog-dijital dönüştürücülerin tüketimi, elde edilen doğruluğu ve toplam enerji kazancını etkiliyor. Araştırmalarda bu sorunlar için hücre kalibrasyonu, hata düzeltme mekanizmaları ve hesaplama algoritmalarını donanımın fiziksel özelliklerine uyarlayan yöntemler üzerinde çalışılıyor.
