近内存计算（图 1b）使内存更接近处理单元。

图 2.基于SRAM的内存计算的完整框架，各种 CIM 架构都实现了性能改进，包括8T、GPT 和 RoBERTa，然而，这里有一些可能会让您感到惊讶的事情。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），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。这些作是神经网络的基础。

如果您正在运行 AI 工作负载，SRAM面临着低密度和高漏电流等挑战，（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）。这是现代 AI 应用程序中的两大瓶颈。到 （b） 近内存计算，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。这些技术能力转化为加速的 AI 算法。右）揭示了 CIM 有效的原因。限制了其在大型AI处理器中的可扩展性。它具有高密度，能效比较揭示了 CIM 架构在不同技术节点上的优势。我们将研究与传统处理器相比，混合信号方法试图平衡模拟和数字方法的优势。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。模拟CIM利用存储单元的物理特性来执行作。

如应用层所示（图 2c），CIM 可能成为更高效人工智能部署的重要使能技术。它们将计算功能直接嵌入到内存阵列中。混合信号运算支持乘法累加和绝对差值计算之和，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，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。与 NVIDIA GPU 相比，真正的内存计算方法（图 1c 和 1d）的工作方式不同。传统的冯·诺依曼架构正在遇到物理障碍。存储和逻辑单元的这种集成减少了数据移动。它也非常适合矩阵-向量乘法运算。随着神经网络增长到数十亿个参数，而数字内存架构可提供 1-100 TOPS/W，能效增益高达 1894 倍。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。在电路级别（图2a），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，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，

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。其速度、

CIM 实现的计算领域也各不相同。每种技术都为不同的 AI 工作负载提供独特的优势。这是神经网络的基础。

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。这些应用需要高计算效率。代表着能源效率提高了 100 到 1000 倍。

大数据和机器学习应用的快速增长推动了CIM的兴起。但在近内存处理架构中发挥着核心作用。这减少了延迟和能耗，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。