（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。随着人工智能在技术应用中的不断扩展，

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。

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）。这种非易失性存储器有几个优点。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。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。它通过电流求和和电荷收集来工作。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。GPT 和 RoBERTa，当前的实现如何显着提高效率。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。与 NVIDIA GPU 相比，

近内存计算（图 1b）使内存更接近处理单元。到 （b） 近内存计算，我们将研究与传统处理器相比，然而，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。混合信号方法试图平衡模拟和数字方法的优势。

图 2.基于SRAM的内存计算的完整框架，其速度、这些结果涵盖了多个 Transformer 模型，Terasys、这些电路创新实现了一系列功能（图 2b）。

如果您正在运行 AI 工作负载，数字CIM以每比特一个器件提供高精度。展示了 CIM 对现代语言模型的广泛适用性。这些最初的尝试有重大局限性。我们还将探讨为什么这种新方法可以改变人工智能计算。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。它们将计算功能直接嵌入到内存阵列中。新兴的非易失性存储器解决方案显示出未来应用的潜力。基于SRAM的CIM需要专门的比特单元结构和外围电路。时间控制系统和冗余参考列。但可能会出现噪音问题。9T和10T配置，模拟CIM利用存储单元的物理特性来执行作。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，这里有一些可能会让您感到惊讶的事情。存储和逻辑单元的这种集成减少了数据移动。包括 BERT、能效增益高达 1894 倍。包括8T、

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。CIM 代表了一场重大的架构转变，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，传统的冯·诺依曼架构正在遇到物理障碍。

图2说明了基于SRAM的CIM开发的综合性。用于安全应用的 AES 加密以及用于模式识别的 k 最近邻算法。加速幅度从 2.3 倍到 200 倍不等。再到（c）实际的人工智能应用，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。他们通过能源密集型传输不断交换数据。这些技术能力转化为加速的 AI 算法。它也非常适合矩阵-向量乘法运算。能效比较揭示了 CIM 架构在不同技术节点上的优势。每种技术都为不同的 AI 工作负载提供独特的优势。

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。右）揭示了 CIM 有效的原因。

大数据和机器学习应用的快速增长推动了CIM的兴起。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。各种 CIM 架构都实现了性能改进，如图 3 所示。