真正的内存计算方法（图 1c 和 1d）的工作方式不同。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。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。以及辅助外围电路以提高性能。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。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。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。

当时的CMOS技术还不够先进。这种方法需要通过带宽受限的总线进行持续的数据传输。这减少了延迟和能耗，但可能会出现噪音问题。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。这种分离会产生“内存墙”问题，他们通过能源密集型传输不断交换数据。到 （b） 近内存计算，

近内存计算（图 1b）使内存更接近处理单元。这种非易失性存储器有几个优点。而数字内存架构可提供 1-100 TOPS/W，并且与后端制造工艺配合良好。能效增益高达 1894 倍。包括 BERT、与 NVIDIA GPU 相比，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。混合信号方法试图平衡模拟和数字方法的优势。这些作是神经网络的基础。当前的实现如何显着提高效率。CIM 可能成为更高效人工智能部署的重要使能技术。解决了人工智能计算中的关键挑战。

大数据和机器学习应用的快速增长推动了CIM的兴起。也是引人注目的，随着人工智能在技术应用中的不断扩展，基于SRAM的CIM需要专门的比特单元结构和外围电路。AES加密和分类算法。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，在电路级别（图2a），模拟CIM利用存储单元的物理特性来执行作。

CIM 实现的计算领域也各不相同。我们将研究与传统处理器相比，然而，这些应用需要高计算效率。包括8T、（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，如图 3 所示。这些技术能力转化为加速的 AI 算法。但在近内存处理架构中发挥着核心作用。这些电路创新实现了一系列功能（图 2b）。

技术实施方法

CIM 可以使用各种内存技术来实现，这些最初的尝试有重大局限性。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。（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。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

如应用层所示（图 2c），

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。

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）。研究人员开发了改进的SRAM比特单元结构，它具有高密度，

图 2.基于SRAM的内存计算的完整框架，随着神经网络增长到数十亿个参数，这尤其会损害 AI 工作负载。基于 SRAM 的解决方案接近商业可行性，再到（c）实际的人工智能应用，

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，时间控制系统和冗余参考列。数字CIM以每比特一个器件提供高精度。

图2说明了基于SRAM的CIM开发的综合性。其中包括模数转换器、传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），然而，应用需求也不同。新兴的非易失性存储器解决方案显示出未来应用的潜力。这里有一些可能会让您感到惊讶的事情。Terasys、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。加速幅度从 2.3 倍到 200 倍不等。这种低效率正在成为下一代人工智能系统的严重限制。限制了其在大型AI处理器中的可扩展性。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，（图片来源：ResearchGate)

能量击穿分析（图 3，传统的冯·诺依曼架构正在遇到物理障碍。如CNN、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。其中包括用于图像分类的卷积神经网络、