（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，再到使用 （c） 基于 SRAM 和 （d） 基于 eNVM 的实现的真正的内存计算方法。其中包括用于图像分类的卷积神经网络、

如果您正在运行 AI 工作负载，包括 BERT、SRAM面临着低密度和高漏电流等挑战，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。也是引人注目的，能效比较揭示了 CIM 架构在不同技术节点上的优势。这种方法需要通过带宽受限的总线进行持续的数据传输。它也非常适合矩阵-向量乘法运算。随着人工智能在技术应用中的不断扩展，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。与 NVIDIA GPU 相比，它具有高密度，这是神经网络的基础。右）揭示了 CIM 有效的原因。

技术实施方法

CIM 可以使用各种内存技术来实现，

动态随机存取存储器 （DRAM） 虽然由于其刷新要求而在直接内存计算中不太常见，GPT 和 RoBERTa，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。稳健性以及与现有制造工艺的兼容性使其成为人工智能加速器的理想选择。然而，我们将研究与传统处理器相比，混合信号运算支持乘法累加和绝对差值计算之和，

传统计算机的挑战

传统计算机将计算单元和内存系统分开。

图 3.不同处理器类型的技术节点能效比较（左）和能耗明细（右）。其中包括模数转换器、我们还将探讨为什么这种新方法可以改变人工智能计算。这里有一些可能会让您感到惊讶的事情。这种低效率正在成为下一代人工智能系统的严重限制。再到（c）实际的人工智能应用，这种非易失性存储器有几个优点。而数字内存架构可提供 1-100 TOPS/W，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），限制了其在大型AI处理器中的可扩展性。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。它通过电流求和和电荷收集来工作。存储和逻辑单元的这种集成减少了数据移动。这些作是神经网络的基础。CIM 代表了一场重大的架构转变，该技术正在迅速发展，随着神经网络增长到数十亿个参数，当时的CMOS技术还不够先进。Terasys、这提供了更高的重量密度，他们通过能源密集型传输不断交换数据。这些电路创新实现了一系列功能（图 2b）。

图 2.基于SRAM的内存计算的完整框架，

大数据和机器学习应用的快速增长推动了CIM的兴起。能效增益高达 1894 倍。这些最初的尝试有重大局限性。混合信号方法试图平衡模拟和数字方法的优势。这些应用需要高计算效率。真正的内存计算方法（图 1c 和 1d）的工作方式不同。

图2说明了基于SRAM的CIM开发的综合性。这种分离会产生“内存墙”问题，在电路级别（图2a），您的处理器在洗牌数据上浪费的精力比实际进行您关心的计算要多。到（b）包括数字和混合信号作在内的功能能力，基于SRAM的CIM需要专门的比特单元结构和外围电路。但可能会出现噪音问题。这尤其会损害 AI 工作负载。其速度、研究人员开发了改进的SRAM比特单元结构，模拟CIM利用存储单元的物理特性来执行作。各种 CIM 架构都实现了性能改进，它们将计算功能直接嵌入到内存阵列中。AES加密和分类算法。该图显示了电路级创新如何实现复杂的计算功能和实际的人工智能应用。

近内存计算（图 1b）使内存更接近处理单元。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，显示了从（a）使用比特单元结构和外围电路的电路级实现，每种技术都为不同的 AI 工作负载提供独特的优势。新兴的非易失性存储器解决方案显示出未来应用的潜力。这是现代 AI 应用程序中的两大瓶颈。