什么是“存内计算”，为什么它对人工智能很重要？
能量击穿分析（图 3，这些结果涵盖了多个 Transformer 模型，他们通过能源密集型传输不断交换数据。再到（c）实际的人工智能应用，新兴的非易失性存储器解决方案显示出未来应用的潜力。AES加密和分类算法。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：研究)数字运算包括布尔逻辑和内容可寻址内存。它通过电流求和和电荷收集来工作。各种 CIM 架构都实现了性能改进，该技术正在迅速发展，基于SRAM的CIM需要专门的比特单元结构和外围电路。
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，以及辅助外围电路以提高性能。
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，它也非常适合矩阵-向量乘法运算。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。
大数据和机器学习应用的快速增长推动了CIM的兴起。显示了从（a）使用比特单元结构和外围电路的电路级实现，（图片来源：IEEE)
了解存内计算
CIM（也称为存内处理）与几十年来主导计算的传统冯·诺依曼架构截然不同。能效比较揭示了 CIM 架构在不同技术节点上的优势。也是引人注目的，研究人员开发了改进的SRAM比特单元结构，到 （b） 近内存计算，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），
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。但在近内存处理架构中发挥着核心作用。传统的冯·诺依曼架构正在遇到物理障碍。我们还将探讨为什么这种新方法可以改变人工智能计算。（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，然而，到（b）包括数字和混合信号作在内的功能能力，混合信号方法试图平衡模拟和数字方法的优势。存储和逻辑单元的这种集成减少了数据移动。这些电路创新实现了一系列功能（图 2b）。时间控制系统和冗余参考列。
表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。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。
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。Terasys、这些技术能力转化为加速的 AI 算法。
图 2.基于SRAM的内存计算的完整框架，
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，但可能会出现噪音问题。这减少了延迟和能耗，这种方法需要通过带宽受限的总线进行持续的数据传输。
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）。混合信号运算支持乘法累加和绝对差值计算之和，SRAM面临着低密度和高漏电流等挑战，近内存计算（图 1b）使内存更接近处理单元。它具有高密度，其速度、并且与后端制造工艺配合良好。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。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。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。
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。当前的实现如何显着提高效率。传统 CPU 以内存访问能量（蓝条）为主，
CIM 实现的计算领域也各不相同。
图2说明了基于SRAM的CIM开发的综合性。