Quinas Technology 成功完成了由英国 Innovate UK 资助的项目，该项目旨在探索其专有的ULTRARAM技术在神经形态计算中的应用。

核心技术原理：

物质基础：基于化合物半导体（Compound Semiconductors）和量子共振隧穿（Quantum Resonant Tunnelling）。

性能融合：在一个器件中同时实现了DRAM 的速度与耐久性+闪存（Flash）的非易失性+超低能耗运行。

项目成果与意义：

架构突破：推进了器件优化，为“存内计算”（CIM）和神经形态应用奠定了架构基础。

解决痛点：神经形态计算模仿人脑结构，需在内存中直接进行计算以减少数据搬运能耗。ULTRARAM 提供了一条极具说服力的路径，解决了传统内存技术的根本局限。

合作生态：项目建立在 Quinas 与Lancaster University（兰卡斯特大学）及IQE plc（全球领先的化合物半导体晶圆技术公司）的合作基础上，支持了 ULTRARAM 交叉条阵列（crossbar arrays）及未来小芯片（chiplet）级集成的研发。

商业愿景：Quinas 认为 ULTRARAM 不仅仅是新内存，更是安全、节能、可持续 AI 的基础。它挑战了传统逻辑、存储和推理的旧有假设，旨在统一速度、非易失性和超低功耗。

技术参数与行业痛点对比分析：

1. ULTRARAM vs. 传统存储器对比表

2. 为什么这对 AI 至关重要？

冯·诺依曼瓶颈的终结者：目前的计算机架构中，CPU 和内存是分开的。AI 训练需要海量数据在两者间搬运，这是巨大的能耗来源。ULTRARAM 允许在存储数据的地方直接进行计算（存内计算），彻底消除了数据搬运的能耗。

神经形态计算的载体：人脑的记忆（突触）和计算（神经元）是合一的。ULTRARAM 的物理特性使其非常适合模拟这种“突触可塑性”，是构建类脑芯片的理想硬件。

引申与行业展望 (Extension & Outlook)

这项技术的落地意味着以下行业变革：

1. 边缘 AI 的算力革命

目前的边缘设备（如手机、IoT 传感器）受限于电池容量，无法运行大型 AI 模型。ULTRARAM 的超低功耗特性，使得在终端设备上直接运行复杂的神经网络成为可能，无需频繁连接云端。

2. 数据中心的绿色转型

全球数据中心的能耗正在飙升。如果服务器内存能从 DRAM + SSD 的组合切换到 ULTRARAM，不仅性能提升（无需缓存刷新），能耗将呈数量级下降，这对实现“双碳”目标至关重要。

3. 硬件安全的新维度

“安全 AI”，源于 ULTRARAM 的物理特性。由于其基于量子机制，物理篡改数据会极其困难，且断电后数据不会立即消失（非易失性），这为防止侧信道攻击提供了硬件级的防御基础。

4. 产业化挑战

虽然技术前景极佳，但其面临的现实挑战：

材料兼容性：基于化合物半导体（如 III-V 族），与目前成熟的硅基 CMOS 工艺集成存在难度（Quinas 正在通过与 IQE 合作解决晶圆供应问题）。

成本：化合物半导体的成本目前远高于硅，大规模量产的经济性仍需验证。

编者观点：

RQuinas 的这项突破不仅仅是存储密度的提升，它是从物理底层对计算架构的一次重构。它直接击中了当前 AI 算力发展的最大软肋——功耗墙。如果能解决与硅基工艺的集成问题，这将是继 GPU 之后，对 AI 硬件赛道的又一次颠覆性冲击。