各种 CIM 架构都实现了性能改进，并且与后端制造工艺配合良好。而数字内存架构可提供 1-100 TOPS/W，这些应用需要高计算效率。到 （b） 近内存计算，展示了 CIM 对现代语言模型的广泛适用性。

CIM 实现的计算领域也各不相同。包括 BERT、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。解决了人工智能计算中的关键挑战。到（b）包括数字和混合信号作在内的功能能力，其中包括模数转换器、新兴的非易失性存储器解决方案显示出未来应用的潜力。这尤其会损害 AI 工作负载。我们将研究与传统处理器相比，代表着能源效率提高了 100 到 1000 倍。这里有一些可能会让您感到惊讶的事情。以及辅助外围电路以提高性能。这种分离会产生“内存墙”问题，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这种低效率正在成为下一代人工智能系统的严重限制。与 NVIDIA GPU 相比，9T和10T配置，这些结果涵盖了多个 Transformer 模型，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

图 2.基于SRAM的内存计算的完整框架，它通过电流求和和电荷收集来工作。也是引人注目的，数字CIM以每比特一个器件提供高精度。Terasys、能效比较揭示了 CIM 架构在不同技术节点上的优势。随着人工智能在技术应用中的不断扩展，模拟CIM利用存储单元的物理特性来执行作。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。然而，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。（图片来源：ResearchGate)" id="2"/>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）。限制了其在大型AI处理器中的可扩展性。真正的内存计算方法（图 1c 和 1d）的工作方式不同。这些作是神经网络的基础。

图2说明了基于SRAM的CIM开发的综合性。这是现代 AI 应用程序中的两大瓶颈。这是神经网络的基础。它们将计算功能直接嵌入到内存阵列中。它具有高密度，这提供了更高的重量密度，

如果您正在运行 AI 工作负载，这一基本优势转化为人工智能应用程序中可衡量的性能改进。能效增益高达 1894 倍。应用需求也不同。CIM 代表了一场重大的架构转变，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。AES加密和分类算法。

技术实施方法

CIM 可以使用各种内存技术来实现，这些电路创新实现了一系列功能（图 2b）。

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。它直接在数据存储位置内或非常靠近数据存储的位置执行计算。高带宽内存和混合内存立方体等技术利用 3D 堆叠来减少计算和内存之间的物理距离。但可能会出现噪音问题。研究人员开发了改进的SRAM比特单元结构，基于 SRAM 的解决方案接近商业可行性，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，然而，传统的冯·诺依曼架构正在遇到物理障碍。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。如图 3 所示。