从FMS技术演讲出发：一文读懂NAND Flash编程的‘两步走’策略（Two Pass）为何是3D NAND的‘安全阀’-平芜编程栈

从FMS技术演讲解码3D NAND的编程艺术：Two Pass策略如何成为可靠性的关键屏障

在存储技术的演进历程中，NAND Flash的编程操作始终是平衡性能与可靠性的核心战场。2016年Flash Memory Summit上IBM研究员Thomas Parnell关于TLC编程的深度剖析，以及2018年YEESTOR技术专家Vic Ye对QLC技术的预见性演讲，共同揭示了一个关键技术现象：当3D NAND技术从CT结构转向FG结构时，传统的One Shot编程方式遭遇了物理极限，而Two Pass（两步走）策略则意外成为了保障数据完整性的"安全阀"。这种看似效率妥协的技术选择，实则蕴含着存储工程师在面对物理限制时的智慧结晶。

1. 3D NAND技术演进中的编程范式转变

1.1 从平面到立体：存储单元结构的革命

传统2D NAND采用平面排布的浮栅晶体管结构，电荷存储在浮栅（Floating Gate）中，通过控制栅极电压实现数据的读写。随着制程微缩逼近物理极限，3D NAND技术通过垂直堆叠存储单元实现了密度突破。早期的3D NAND采用电荷陷阱（Charge Trap，CT）结构，利用氮化硅层捕获电荷，而新一代产品则回归浮栅（Floating Gate，FG）设计，在三维空间中重建了更稳定的电荷存储环境。

两种结构的核心差异体现在电荷保持能力上：

特性	CT结构	FG结构
电荷存储介质	氮化硅陷阱层	多晶硅浮栅
单元间干扰	较高	较低
编程速度	快	较慢
数据保持能力	一般	优异
适合的编程策略	One Shot	Two Pass

1.2 One Shot编程的物理限制

One Shot编程（单次脉冲编程）是CT结构3D NAND的典型方案，其工作流程可简化为：

施加初始编程电压脉冲
验证单元阈值电压(Vth)
根据验证结果调整脉冲强度
重复直到达到目标Vth

这种增量步进脉冲编程（ISPP）方式在平面NAND和早期3D NAND中表现良好，但当应用于FG结构时却暴露了致命缺陷：

电荷注入不均匀：FG单元的三维结构导致电场分布复杂化
编程干扰加剧：相邻单元的耦合效应更显著
Vth分布展宽：最终阈值电压窗口变宽，误码率上升

// 简化的One Shot编程伪代码 void oneShotProgram(Cell cell, TargetVth) { float pulse = INITIAL_PULSE; while (cell.currentVth < TargetVth) { applyVoltagePulse(cell, pulse); verifyVth(cell); pulse += STEP_INCREMENT; } }

2. Two Pass编程的物理本质与实现机制

2.1 分而治之的编程哲学

Two Pass编程将传统的一次性编程过程分解为两个阶段，这种"分步走"策略在FG结构3D NAND中展现出独特优势。以TLC（3bit/cell）存储为例，典型的4-8型Two Pass操作流程为：

第一Pass（粗编程阶段）：
- 将单元快速编程到中间Vth区间（如L0-L3状态）
- 容忍较高的Vth分布宽度
- 重点控制电荷注入总量
第二Pass（精编程阶段）：
- 从中间状态精细调整到目标Vth（如L4-L7状态）
- 使用更小的电压步进
- 精确校准每个单元的最终状态

注意：Two Pass并非简单的时间分割，而是通过分阶段优化电荷分布形态，本质上是利用时间维度换取空间稳定性。

2.2 Vth分布优化的物理原理

Two Pass之所以能改善FG单元的可靠性，核心在于它解决了三个关键物理问题：

电荷弛豫效应：第一Pass后预留的"休息时间"允许注入电荷重新分布
电场均匀化：分阶段编程减小了瞬时电场强度变化率
干扰隔离：相邻单元的耦合效应被分步化解

实验数据显示，在相同工艺节点下，Two Pass可使FG单元的Vth分布宽度减少30-40%，这对QLC/PLC等高密度存储尤为重要。典型的Vth分布对比如下：

编程方式	L0状态宽度(mV)	L7状态宽度(mV)	跨温度漂移
One Shot	220	280	±15%
Two Pass	150	190	±8%

3. 工程实践中的权衡艺术

3.1 性能与可靠性的平衡方程

采用Two Pass策略意味着明显的性能代价：

编程延迟增加约40-60%
功耗上升20-30%
控制器复杂度提高

然而，在FG结构3D NAND中，这种代价换来了关键收益：

原始误码率(RBER)降低1-2个数量级
数据保持时间延长3-5倍
温度稳定性提升50%以上

# Two Pass编程的权衡评估模型 def evaluate_tradeoff(architecture): if architecture == 'FG_3D': reliability_gain = calc_reliability_improvement() performance_loss = calc_performance_penalty() return reliability_gain > performance_loss * weight_factor else: return False