CIM 可能成为更高效人工智能部署的重要使能技术。这减少了延迟和能耗，但可能会出现噪音问题。

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。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。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。其速度、时间控制系统和冗余参考列。传统的冯·诺依曼架构正在遇到物理障碍。CIM 代表了一场重大的架构转变，传统 CPU 以内存访问能量（蓝条）为主，这些作是神经网络的基础。但在近内存处理架构中发挥着核心作用。能效增益高达 1894 倍。这提供了更高的重量密度，它们将计算功能直接嵌入到内存阵列中。这些电路创新实现了一系列功能（图 2b）。这尤其会损害 AI 工作负载。代表着能源效率提高了 100 到 1000 倍。右）揭示了 CIM 有效的原因。真正的内存计算方法（图 1c 和 1d）的工作方式不同。各种 CIM 架构都实现了性能改进，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。我们将研究与传统处理器相比，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。

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，这种分离会产生“内存墙”问题，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，加速幅度从 2.3 倍到 200 倍不等。应用需求也不同。GPT 和 RoBERTa，

混合信号方法试图平衡模拟和数字方法的优势。包括8T、（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。如图 3 所示。存储和逻辑单元的这种集成减少了数据移动。限制了其在大型AI处理器中的可扩展性。基于SRAM的CIM需要专门的比特单元结构和外围电路。这是神经网络的基础。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。当时的CMOS技术还不够先进。它具有高密度，新兴的非易失性存储器解决方案显示出未来应用的潜力。再到（c）实际的人工智能应用，每种技术都为不同的 AI 工作负载提供独特的优势。展示了 CIM 对现代语言模型的广泛适用性。AES加密和分类算法。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。

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。这些最初的尝试有重大局限性。其中包括模数转换器、

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。他们通过能源密集型传输不断交换数据。然而，

图2说明了基于SRAM的CIM开发的综合性。SRAM面临着低密度和高漏电流等挑战，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这是现代 AI 应用程序中的两大瓶颈。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。当前的实现如何显着提高效率。我们还将探讨为什么这种新方法可以改变人工智能计算。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，随着神经网络增长到数十亿个参数，到 （b） 近内存计算，

图 2.基于SRAM的内存计算的完整框架，解决了人工智能计算中的关键挑战。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。