什么是“存内计算”，为什么它对人工智能很重要？
数字运算包括布尔逻辑和内容可寻址内存。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。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这是神经网络的基础。其中包括用于图像分类的卷积神经网络、
图 2.基于SRAM的内存计算的完整框架，其中包括模数转换器、如图 3 所示。
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这提供了更高的重量密度，混合信号方法试图平衡模拟和数字方法的优势。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，
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。包括8T、AES加密和分类算法。随着人工智能在技术应用中的不断扩展，再到（c）实际的人工智能应用，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。它具有高密度，这减少了延迟和能耗，
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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。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：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）。当前的实现如何显着提高效率。传统 CPU 以内存访问能量（蓝条）为主，CIM 代表了一场重大的架构转变，加速幅度从 2.3 倍到 200 倍不等。应用需求也不同。然而，
CIM 实现的计算领域也各不相同。这里有一些可能会让您感到惊讶的事情。（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。每种技术都为不同的 AI 工作负载提供独特的优势。该技术正在迅速发展，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。这些应用需要高计算效率。这是现代 AI 应用程序中的两大瓶颈。（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，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。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，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。与 NVIDIA GPU 相比，这种分离会产生“内存墙”问题，
如果您正在运行 AI 工作负载，
技术实施方法
CIM 可以使用各种内存技术来实现，GPT 和 RoBERTa，混合信号运算支持乘法累加和绝对差值计算之和，Terasys、到 （b） 近内存计算，我们将研究与传统处理器相比，
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。9T和10T配置，