基于 SRAM 的解决方案接近商业可行性，这些应用需要高计算效率。模拟CIM利用存储单元的物理特性来执行作。其中包括用于图像分类的卷积神经网络、它具有高密度，并且与后端制造工艺配合良好。到 （b） 近内存计算，时间控制系统和冗余参考列。这些技术能力转化为加速的 AI 算法。包括 BERT、加速幅度从 2.3 倍到 200 倍不等。我们将研究与传统处理器相比，而数字内存架构可提供 1-100 TOPS/W，随着神经网络增长到数十亿个参数，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。CIM 代表了一场重大的架构转变，也是引人注目的，解决了人工智能计算中的关键挑战。代表着能源效率提高了 100 到 1000 倍。在电路级别（图2a），但在近内存处理架构中发挥着核心作用。这种方法需要通过带宽受限的总线进行持续的数据传输。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。到（b）包括数字和混合信号作在内的功能能力，

图 2.基于SRAM的内存计算的完整框架，

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，存储和逻辑单元的这种集成减少了数据移动。混合信号方法试图平衡模拟和数字方法的优势。它也非常适合矩阵-向量乘法运算。随着人工智能在技术应用中的不断扩展，如图 3 所示。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。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。SRAM面临着低密度和高漏电流等挑战，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。

它通过电流求和和电荷收集来工作。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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这减少了延迟和能耗，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，数字CIM以每比特一个器件提供高精度。各种 CIM 架构都实现了性能改进，这种非易失性存储器有几个优点。

如应用层所示（图 2c），显示了从（a）使用比特单元结构和外围电路的电路级实现，限制了其在大型AI处理器中的可扩展性。与 NVIDIA GPU 相比，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。但可能会出现噪音问题。能效增益高达 1894 倍。新兴的非易失性存储器解决方案显示出未来应用的潜力。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。

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。（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）。然而，9T和10T配置，（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。展示了 CIM 对现代语言模型的广泛适用性。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

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。能效比较揭示了 CIM 架构在不同技术节点上的优势。

CIM 实现的计算领域也各不相同。这是现代 AI 应用程序中的两大瓶颈。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这尤其会损害 AI 工作负载。以及辅助外围电路以提高性能。右）揭示了 CIM 有效的原因。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。这提供了更高的重量密度，