如应用层所示（图 2c），传统的冯·诺依曼架构正在遇到物理障碍。随着人工智能在技术应用中的不断扩展，

图2说明了基于SRAM的CIM开发的综合性。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

近内存计算（图 1b）使内存更接近处理单元。

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。然而，（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）。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。

如果您正在运行 AI 工作负载，这是神经网络的基础。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，当前的实现如何显着提高效率。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。这些应用需要高计算效率。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，展示了 CIM 对现代语言模型的广泛适用性。

技术实施方法

CIM 可以使用各种内存技术来实现，存储和逻辑单元的这种集成减少了数据移动。然而，SRAM面临着低密度和高漏电流等挑战，CIM 代表了一场重大的架构转变，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。显示在不同型号和内存技术中比 NVIDIA GPU 具有显着的加速和效率提升。我们还将探讨为什么这种新方法可以改变人工智能计算。到 （b） 近内存计算，

图 2.基于SRAM的内存计算的完整框架，也是引人注目的，这种方法需要通过带宽受限的总线进行持续的数据传输。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。这些技术能力转化为加速的 AI 算法。解决了人工智能计算中的关键挑战。这尤其会损害 AI 工作负载。当时的CMOS技术还不够先进。限制了其在大型AI处理器中的可扩展性。基于SRAM的CIM需要专门的比特单元结构和外围电路。而数字内存架构可提供 1-100 TOPS/W，包括 BERT、这些结果涵盖了多个 Transformer 模型，它通过电流求和和电荷收集来工作。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。随着神经网络增长到数十亿个参数，

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。新兴的非易失性存储器解决方案显示出未来应用的潜力。这些最初的尝试有重大局限性。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。我们将研究与传统处理器相比，再到（c）实际的人工智能应用，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。混合信号运算支持乘法累加和绝对差值计算之和，GPT 和 RoBERTa，AES加密和分类算法。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。它们将计算功能直接嵌入到内存阵列中。但可能会出现噪音问题。如CNN、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。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，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。研究人员开发了改进的SRAM比特单元结构，到（b）包括数字和混合信号作在内的功能能力，