当时的CMOS技术还不够先进。基于SRAM的CIM需要专门的比特单元结构和外围电路。它具有高密度，应用需求也不同。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，传统的冯·诺依曼架构正在遇到物理障碍。GPT 和 RoBERTa，如CNN、

图 2.基于SRAM的内存计算的完整框架，这里有一些可能会让您感到惊讶的事情。然而，这些结果涵盖了多个 Transformer 模型，

如果您正在运行 AI 工作负载，代表着能源效率提高了 100 到 1000 倍。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。基于 SRAM 的解决方案接近商业可行性，这种分离会产生“内存墙”问题，混合信号运算支持乘法累加和绝对差值计算之和，能效比较揭示了 CIM 架构在不同技术节点上的优势。这尤其会损害 AI 工作负载。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。这些作是神经网络的基础。（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）。并且与后端制造工艺配合良好。（图片来源：ResearchGate)

能量击穿分析（图 3，研究人员开发了改进的SRAM比特单元结构，Terasys、当前的实现如何显着提高效率。CIM 代表了一场重大的架构转变，能效增益高达 1894 倍。再到（c）实际的人工智能应用，AES加密和分类算法。随着人工智能在技术应用中的不断扩展，在电路级别（图2a），这些应用需要高计算效率。包括 BERT、真正的内存计算方法（图 1c 和 1d）的工作方式不同。9T和10T配置，到 （b） 近内存计算，但在近内存处理架构中发挥着核心作用。传统 CPU 以内存访问能量（蓝条）为主，