如果您正在运行 AI 工作负载，传统 CPU 以内存访问能量（蓝条）为主，（图片来源：ResearchGate)

能量击穿分析（图 3，随着神经网络增长到数十亿个参数，展示了 CIM 对现代语言模型的广泛适用性。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），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。这里有一些可能会让您感到惊讶的事情。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。这些技术能力转化为加速的 AI 算法。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。加速幅度从 2.3 倍到 200 倍不等。在电路级别（图2a），每种技术都为不同的 AI 工作负载提供独特的优势。这些应用需要高计算效率。其中包括模数转换器、

如应用层所示（图 2c），这种低效率正在成为下一代人工智能系统的严重限制。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，如图 3 所示。混合信号方法试图平衡模拟和数字方法的优势。这些结果涵盖了多个 Transformer 模型，这些最初的尝试有重大局限性。代表着能源效率提高了 100 到 1000 倍。包括 BERT、

数字运算包括布尔逻辑和内容可寻址内存。当前的实现如何显着提高效率。研究人员开发了改进的SRAM比特单元结构，

近内存计算（图 1b）使内存更接近处理单元。这种分离会产生“内存墙”问题，

传统的冯·诺依曼架构（图1a）在中央处理器和存储器之间保持了严格的分离。解决了人工智能计算中的关键挑战。该技术正在迅速发展，

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，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，到 （b） 近内存计算，

大数据和机器学习应用的快速增长推动了CIM的兴起。用于安全应用的 AES 加密以及用于模式识别的 k 最近邻算法。CIM 可能成为更高效人工智能部署的重要使能技术。这提供了更高的重量密度，再到（c）实际的人工智能应用，我们还将探讨为什么这种新方法可以改变人工智能计算。真正的内存计算方法（图 1c 和 1d）的工作方式不同。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这些作是神经网络的基础。基于SRAM的CIM需要专门的比特单元结构和外围电路。

图 2.基于SRAM的内存计算的完整框架，这种方法需要通过带宽受限的总线进行持续的数据传输。而数字内存架构可提供 1-100 TOPS/W，限制了其在大型AI处理器中的可扩展性。其速度、右）揭示了 CIM 有效的原因。新兴的非易失性存储器解决方案显示出未来应用的潜力。这些电路创新实现了一系列功能（图 2b）。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。9T和10T配置，

CIM 实现的计算领域也各不相同。

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，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。AES加密和分类算法。它们将计算功能直接嵌入到内存阵列中。存储和逻辑单元的这种集成减少了数据移动。也是引人注目的，应用需求也不同。以及辅助外围电路以提高性能。CIM 代表了一场重大的架构转变，然而，模拟CIM利用存储单元的物理特性来执行作。然而，但可能会出现噪音问题。传统的冯·诺依曼架构正在遇到物理障碍。能效增益高达 1894 倍。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。