توسعه شتابان فناوری هوش مصنوعی باعث ایجاد تقاضا برای ریزتراشه‌های حافظه با حجم بالاتر و سرعت پردازش بیشتر شده است. آموزش دادن[1] یک مدل هوش مصنوعی نیازمند فضای ذخیره‌سازی و همچنین پردازشگر‌های با سرعت بالا به منظور انتقال و تجزیه اطلاعات می‌باشد. بنابراین بدیهی است که هر چقدر دسترسی به ریزتراشه‌های سریع‌تر و با گنجایش بیشتر فراهم باشد، مدل هوش مصنوعی حاصل از کیفیت بالاتری برخوردار خواهد بود.
به طور کلی ریزتراشه‌های حافظه دارای انواع مختلفی هستند. SRAM [2]یا حافظه ایستا با دسترسی محدود، نوعی از حافظه است که هر بیت را بر روی چهار یا شش ترانزیستور ذخیره می‌کند و از سرعت بالایی برای ذخیره‌سازی اطلاعات برخوردار است. همچنین DRAM [3] به معنی حافظه دسترسی مستقیم پویا می باشد و به حافظه‌ای گفته می شود که به منظور نگهداری و تبادل اطلاعات به جای استفاده از ترانزیستور، از خازن استفاده می کند. این موضوع باعث کاهش انرژی مصرفی DRAM نسبت به SRAM و کوچک‌تر بودن ابعاد آن می‌شود اما سرعت ذخیره‌سازی دادهها را کاهش می‌دهد. در رایانه‌ها از SRAM معمولا به عنوان حافظه نهان برای پردازنده مرکزی[4] استفاده می‌شود و حافظۀ فرّار اصلی که برای ذخیره اطلاعات استفاده می‌شود از نوع DRAM می‌باشد.
3DNAND [5] نوع دیگری از ریزتراشه‌های حافظه محسوب می‌شوند که ساختاری چندلایه داشته و فضای بسیار کمتری نسبت به دو حافظه قبلی اشغال می‌کنند. تفاوت مهم دیگر این نوع از ریزتراشه‌های حافظه، عدم نیاز آن‌ها به وجود جریان به منظور حفظ دادهها می‌باشد در صورتی که SRAM و DRAM در صورت قطع جریان برق و خاموش شدن سامانه، دادهها را از دست می‌دهند. 3DNAND نسبت DRAM از قیمت بیشتری برخوردار است ولی DRAM به مراتب سریع‌تر از 3DNAND فلش‌ها می‌باشد.
حافظه با پهنای باند بالا یا HBM [6] نسل جدیدی از ریزتراشه‌های حافظه‌های DRAM است که به دلیل پهنای باند و سرعت بیشتر در پردازنده‌های هوش مصنوعی استفاده می‌شود. این حافظه‌ها اوّلین بار با همکاری شرکت کره‌ای Sk Hynix و شرکت مطرح AMD طراحی و تولید شده‌اند. Sk Hynix با درک مزیت‌های چشمگیری که معماری این نوع ریزتراشه ایجاد می‌کرد، توسعه هر چه سریع‌تر آن را درپیش گرفت و نسل‌های بعدی را با نام‌های HBM2، HBM2E،HBM3،HBM3P را عرضه کرد. نسل‌های جدیدتر نسبت به نسل‌های قبلی از ظرفیت، توان و پهنای باند بالاتری برخوردار می‌باشند.(شکل1)
شکل 1. روند تکامل حافظه‌های با پهنای باند بالا
حال با توجه به داغ بودن بازار هوش مصنوعی و تقاضای بالا برای ریزتراشه‌های حافظه در کنار پردازنده‌ها، رقابت در این بازار نیز نسبت به گذشته افزایش یافته و به نوعی جنگ بر سر ریزتراشه‌های حافظه ایجاد شده است. مثلث اصلی این بازار از سه غول تولید حافظه در جهان: Sk Hynix، Samsung و شرکت امریکایی Micron تشکیل شده است. با توجه به اینکه Sk Hynix از ابتدا پیشگام در تولید این نوع تراشه بوده و در سال‌های اخیر و با سرمایه‌گذاری که بر روی توسعه آن انجام داده، سهم بالایی از بازار را بدست آورده است. در سال 2023 و به دلیل افزایش توجه و تقاضای جهانی در بازار هوش مصنوعی، این شرکت افزایش ارزش سهام چشمگیری را تجربه کرد و توانست فاصله‌اش با دیگر رقیب کره‌ای یعنی سامسونگ را به میزان قابل توجهی افزایش دهد.(شکل2)
شکل 2. پیشی گرفتن ارزش سهام Sk Hynix از سامسونگ در سال 2023
همچنین بررسی ارزش سهام هر سه شرکت نشان می‌دهد در سال اخیر Sk Hynix توانسته تا حد زیادی خود را به غول آمریکایی Micron نزدیک کند و کاملا از سامسونگ پیشی گرفته است.(شکل 3)
شکل 3. نزدیک شدن ارزش سهام Sk Hynix به میکرون
با توجه به اینکه سامسونگ در بازارهای مختلفی فعالیت دارد و اکنون تمرکز خود را بر روی بازار تلفن‌های هوشمند و ریزتراشه‌های منطقی[1] قرار داده، بعید به نظر می‌رسید که بتواند در این رقابت SK Hynix را شکست دهد. میکرون نیز سهم بسیار کمی از بازار HBM را در اختیار دارد (9 درصد) در حالی که بیش از نیمی از این بازار (53 درصد) در اختیار Sk Hynix بوده و این شرکت کره‌ای در حال توسعه نسل جدید HBM4 نیز می‌باشد. با این تفاسیر احتمالا Sk Hynix در سال 2024 رشد چشمگیری خواهد داشت و رهبر بازار ریزتراشه‌های حافظه خواهد بود، هر چند این رقابت نفسگیر همچنان ادامه دارد و به مرور توجه سرمایه‌گذاران و سیاستگذاران بیشتری را در سراسر دنیا جلب خواهد کرد.
منابع:
O’Laughlin, D. (n.d.). Why HBM is the Hottest Thing in Memory. [online] www.fabricatedknowledge.com. Available at: https://www.fabricatedknowledge.com/p/hbm-supply-and-other-ideas-right
www.ft.com. (n.d.). SK Hynix returns to profit boosted by AI memory chip demand. [online] Available at: https://www.ft.com/content/cdd4ed58-d3ce-4648-87d3-8a4a2eaaf028
Davies, C. and Jung-a, S. (2023). SK Hynix and Samsung’s early bet on AI memory chips pays off. Financial Times. [online] 29 Jul. Available at: https://www.ft.com/content/8f65a241-414b-4661-8923-78f6b9941b65.
[1] Train
[2] Static Random Access Memory
[3] Dynamic Random Access Memory
[4] CPU Cache
[5] 3 Dimensions Not AND
[6] High Bandwidth Memory
[7] Logic