对数据存储和处理(汽车应用)的需求越来越大。多年来，人们一直在寻找一种结合了DRAM和NAND闪存优点的通用存储器，这种存储器成本低、性能可靠、用途广泛，有可能取代它们，满足带宽不断增长的需求并降低功耗。在查看内存层次结构时(图1.3.6)，并不缺少新的内存、材料和体系结构，这些新内存、材料和体系结构正在考虑取代内存层次结构中的各个层次。虽然相变存储器(PCRAM或PCM)、电阻存储器(RRAM)、铁电场效应晶体管(FeFETs)和各种磁性存储器(MRAM)是过去几年研发的热点，但目前SRAM、DRAM和NAND闪存仍是主流。
为了取代SRAM L1缓存，结合了SRAM的速度和flflash的非易变性，考虑了Spin-Torque-Transfer MRAM(STT-MRAM)。它是一种单晶体管结构，带有一个磁隧道结(MTJ)存储器单元，这可能是解决不断增加的对SRAM单元大小的不确定性的一个答案。到目前为止，STT-MRAM对SRAM L3有一个清晰的价值定位，但它还不足以取代L1和L2缓存。此外，由于共享的写/读行，内存单元遭受可靠性问题。
虽然仍处于研发阶段,Spin-Orbit-Torque MRAM(SOT-MRAM)在这方面可能是一个更好的选择。SOT-mram在设备下集成了一个SOT层。它通过向相邻的SOT层注入面内电流来诱导该层的切换。读和写有两种不同的路径，其中读类似于STT，而写不是通过MTJ完成的。这样做的好处是可以分别优化读和写路径。通过在形成SOT的硬掩膜中集成铁磁体，可以在较低的功率下实现更快的开关。
另一种方法是将SRAM和逻辑这样的内存堆叠在一起。这允许增加带宽，减少形式因素，并提高功率效率。标准的3D通硅(TSV)和晶圆对晶圆的连接技术可以用于此目的，但也可以采用混合方法，即通过顺序3D处理实现设备与标准电池之间最短的互连，并通过标准3D技术在块级实现互连，从而在过程复杂性和功率性能增益方面进行最佳权衡。它还允许为逻辑部分和SRAM部分(垂直设备或VFET)引入特定的设备架构和技术。这就表明，VFET对于SRAM应用是非常有利的，这允许人们减小面积，尤其是当人们考虑堆叠它们时。
DRAM的微缩受到压力，在1nm处趋于稳定，要取代DRAM是非常困难的，大多数研究都集中在将DRAM堆叠到高带宽模块中，而该技术仍有望进一步缩放。
虽然没有取代NAND闪存和DRAM，但基于PCRAM（由英特尔于2015年推出）的3D XPoint在过去几年中获得了很多关注。目前，128GB密度和20nm几何尺寸的两层堆叠架构，预计将在下一代进入四层堆叠，并将密度提高一倍。
FeFET是一种仍处于研发阶段的技术，在这种器件中，铁电材料被引入到标准MOSFET的栅极叠层中。偶极子以非易失性方式改变晶体管的阈值电压。虽然对于将其用作逻辑应用程序的steep-slope设备仍存在激烈的争论，但它对存储器的好处更加明确:可伸缩性。FJ能耗，读/写速度在10ns以内，高续航能力和保持性。然而，从一个器件升级到需要以几乎相同的方式执行的数百万个存储单元，仍需要证明。
一般来说，甚至比逻辑应用程序更早，在内存中有一个持续的趋势，那就是使用3D技术，并将更多的层堆叠在一起以增加带宽。
最后，在研究冷存储器时，DNA或更一般的分子存储器是更具有探索性的途径之一。这个想法是利用分子来储存大量的数据。挑战与书写和阅读有关，在生命科学应用的基础上，可以使用特定的排序技术。
机器学习（ML）和量子计算时代
在过去的几年里，人工智能(AI)的应用蓬勃发展，从图像处理到语音识别，再到诊断疾病和预测天气状况。这些应用程序通常需要在云中进行高耗能的数据处理。大多数实现基于GPU，有些基于FPGA，很少有基于专门为深度学习而构建的ASIC。另一方面，与延迟、电力效率和隐私相关的问题要求这种处理在边缘完成，电池驱动的物联网(IoT)设备对能源效率和消耗提出了很高的要求，有时甚至在毫瓦级。
对于监督学习，参数仍然可以在云端进行处理，但是推理，决策需要交给传感器。这需要在深度学习过程中训练记忆层，通过这些连续的层获取存储在记忆中的重复加权数据。每个存储器阵列表示神经网络的一层。将数据放在处理器附近可以减少延迟和功耗，这是内存中计算的前提。
为了存储学习权重的值，使用了模拟的非易失性设备，如电阻RAM(RRAM)技术，它曾被视为NAND闪存的替代品，但在人工智能环境中被重新定位为专门的人工智能存储技术。在这种情况下，学习到的权值被编码到各个设备的电导中，电导随着写的数量的增加而变化，输入值被设置为RRAM阵列的字线(WL)电压。然后，单元格的电流是权重和输入值的乘积，单词行的电流将是该行中单元格电流的总和。这是在不改变权值的情况下实现卷积的有效方法。
一般来说，模拟计算只有在允许较低的精度、增加的可变性和系统误差的情况下才有意义。当在足够高的电阻水平下操作时，这些典型的光纤RRAM单元中的变化通常太大，因此也在考虑其他存储器技术，如基于InGaZnO（IGZO）的2T-1C DRAM、SOT-MRAM和具有分离写入路径的PCM。
最后，利用自旋/电子作为量子信息载体并有望解决棘手计算问题的量子计算，直到几年前还只是物理学家的一个梦想。在社区中已经获得了巨大的动力来推动这种全新的计算模式，其中的基本组成部分是q-bit，将其推向下一个层次，并使其成为技术现实。令人鼓舞的是，更多的努力正在开发基于si的平台，用于快速和统计相关的寻路和基准测试，以解决量子计算中的关键挑战。
