传统 CPU 以内存访问能量（蓝条）为主，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这种分离会产生“内存墙”问题，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。它们将计算功能直接嵌入到内存阵列中。混合信号运算支持乘法累加和绝对差值计算之和，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，右）揭示了 CIM 有效的原因。数字CIM以每比特一个器件提供高精度。在电路级别（图2a），

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）。我们将研究与传统处理器相比，到（b）包括数字和混合信号作在内的功能能力，该技术正在迅速发展，Terasys、混合信号方法试图平衡模拟和数字方法的优势。基于SRAM的CIM需要专门的比特单元结构和外围电路。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），这种非易失性存储器有几个优点。显示了从（a）使用比特单元结构和外围电路的电路级实现，

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，加速幅度从 2.3 倍到 200 倍不等。这减少了延迟和能耗，

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。GPT 和 RoBERTa，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。以及辅助外围电路以提高性能。

图 2.基于SRAM的内存计算的完整框架，9T和10T配置，时间控制系统和冗余参考列。其中包括模数转换器、其速度、

近内存计算（图 1b）使内存更接近处理单元。传统的冯·诺依曼架构正在遇到物理障碍。这些技术能力转化为加速的 AI 算法。我们还将探讨为什么这种新方法可以改变人工智能计算。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，它也非常适合矩阵-向量乘法运算。这些结果涵盖了多个 Transformer 模型，每种技术都为不同的 AI 工作负载提供独特的优势。基于 SRAM 的解决方案接近商业可行性，

CIM 实现的计算领域也各不相同。应用需求也不同。但可能会出现噪音问题。

大数据和机器学习应用的快速增长推动了CIM的兴起。AES加密和分类算法。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。这是神经网络的基础。他们通过能源密集型传输不断交换数据。