以奈米级磁性结构特有的自旋相关传输为基础的磁电阻效应所得到的一种新颖的非挥发性固态磁存储器。随着自旋隧道结(Magnetic Tunneling Junction) 较大的穿隧磁电阻（TMR）技术日渐成熟，研究人员对于MRAM的期待愈来愈大。

与其他存储技术相比，MRAM在速度、面积、写入次数和功耗方面能够达到较好的折中，因此被业界认为是构建下一代非易失性缓存和主存的潜在存取器件之一。

MRAM最早可以上推到1955年问世的磁芯记忆体(Magnetic Core Memory)，虽然结构不同，但资料读写的机制基本上与现在的磁性记忆体是一样的。

薄膜结构中存在巨磁阻效应(Giant Magnetoresistive Effect)，为现代的MRAM发展奠定基础。the ST-MRAM 并且在学术杂志Journal of Magnetism and Magnetic Materials发表论文 “Current-driven excitation of magnetic multilayers。

与MRAM相比，STT-MRAM器件更快，更高效且更容易缩小。与传统内存技术相比，STT-MRAM器件不仅能兼顾MRAM的性能，还能够满足低电流的同时并降低成本。基于以上优势，STT-MRAM被视为是可以挑战DRAM和SRAM的高性能存储器，并有可能成为领先的存储技术。尤其是在40nm以下工艺节点上，NOR开始暴露出很多问题，STT-MRAM被寄予厚望。STT-MRAM不仅在40nm节点下可以被利用，甚至可以扩展到10nm以下应用。STT-MRAM可基于现有的CMOS制造技术和工艺发展，在技术上进行接力的难度相对较小，可以直接挑战闪存的低成本。

随着技术规模的缩小，STT-MRAM遭受严重的工艺变化和热波动，这极大地降低了STT-MRAM的性能和稳定性。对于大多数商业应用来说，STT-MRAM的道路依旧充满艰难险阻。

采用嵌入式NOR快闪存储器的28纳米MCU产品，至于研发阶段的已有厂商开始采用16nm或14nm的芯片。然而有些专家认为要在28nm以下制程范围来扩展嵌入式NOR快闪存储器有其困难，许多人认为28nm或22nm将成为这种快闪存储器的极限，原因在于过高的成本将限  制其市场接受度。

而MRAM和其他的下一代存储器，也都被视为是适合用于机器学习的储存技术。在今天，机器学习系统多半使用的是传统的存储器，这对于功率的消耗非常严重。根据研究指出，机器学习过程，很大一部分的功率是消耗在简单的数据移动过程中，而不是实际的运算功能。针对机器学习的过程，任何性能的提升，都有助于改善机器学习的能力。与现有的DRAM产品相较之下，任何功耗的降低，和技术的持久稳定性，都将有助于提升机器学习的整体效能。

(素材来源：eccn.如涉版权请联系删除。特别感谢）