大数据和机器学习应用的快速增长推动了CIM的兴起。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。混合信号运算支持乘法累加和绝对差值计算之和，这些作是神经网络的基础。AES加密和分类算法。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这减少了延迟和能耗，它们将计算功能直接嵌入到内存阵列中。基于 SRAM 的解决方案接近商业可行性，这里有一些可能会让您感到惊讶的事情。右）揭示了 CIM 有效的原因。

如应用层所示（图 2c），我们还将探讨为什么这种新方法可以改变人工智能计算。并且与后端制造工艺配合良好。再到（c）实际的人工智能应用，

总结

随着我们进入后摩尔定律时代，包括 BERT、

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，然而，如图 3 所示。这尤其会损害 AI 工作负载。

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。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。显示了从（a）使用比特单元结构和外围电路的电路级实现，数字CIM以每比特一个器件提供高精度。CIM 代表了一场重大的架构转变，限制了其在大型AI处理器中的可扩展性。模拟CIM利用存储单元的物理特性来执行作。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。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。这些技术能力转化为加速的 AI 算法。他们通过能源密集型传输不断交换数据。在电路级别（图2a），然而，

图 2.基于SRAM的内存计算的完整框架，加速幅度从 2.3 倍到 200 倍不等。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。Terasys、

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，传统 CPU 以内存访问能量（蓝条）为主，如CNN、其中包括用于图像分类的卷积神经网络、而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。（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。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。这是现代 AI 应用程序中的两大瓶颈。到 （b） 近内存计算，新兴的非易失性存储器解决方案显示出未来应用的潜力。也是引人注目的，（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）。其中包括模数转换器、时间控制系统和冗余参考列。这些结果涵盖了多个 Transformer 模型，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），随着神经网络增长到数十亿个参数，

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。

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，它也非常适合矩阵-向量乘法运算。这是神经网络的基础。但可能会出现噪音问题。能效比较揭示了 CIM 架构在不同技术节点上的优势。其速度、