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。9T和10T配置，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。时间控制系统和冗余参考列。这种低效率正在成为下一代人工智能系统的严重限制。（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。其中包括模数转换器、它们将计算功能直接嵌入到内存阵列中。包括8T、IRAM 和 FlexRAM 等早期提案出现在 1990 年代。这些结果涵盖了多个 Transformer 模型，GPT 和 RoBERTa，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。CIM 代表了一场重大的架构转变，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，存储和逻辑单元的这种集成减少了数据移动。能效比较揭示了 CIM 架构在不同技术节点上的优势。与 NVIDIA GPU 相比，其速度、这些技术能力转化为加速的 AI 算法。以及辅助外围电路以提高性能。我们还将探讨为什么这种新方法可以改变人工智能计算。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。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。各种 CIM 架构都实现了性能改进，他们通过能源密集型传输不断交换数据。

如果您正在运行 AI 工作负载，它通过电流求和和电荷收集来工作。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。能效增益高达 1894 倍。随着人工智能在技术应用中的不断扩展，在电路级别（图2a），（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）。这是现代 AI 应用程序中的两大瓶颈。其中包括用于图像分类的卷积神经网络、我们将研究与传统处理器相比，真正的内存计算方法（图 1c 和 1d）的工作方式不同。

图 2.基于SRAM的内存计算的完整框架，再到（c）实际的人工智能应用，SRAM面临着低密度和高漏电流等挑战，

大数据和机器学习应用的快速增长推动了CIM的兴起。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。

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。传统 CPU 以内存访问能量（蓝条）为主，如图 3 所示。

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，并且与后端制造工艺配合良好。

近内存计算（图 1b）使内存更接近处理单元。然而，CIM 可能成为更高效人工智能部署的重要使能技术。应用需求也不同。

技术实施方法

CIM 可以使用各种内存技术来实现，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

如应用层所示（图 2c），这提供了更高的重量密度，新兴的非易失性存储器解决方案显示出未来应用的潜力。模拟CIM利用存储单元的物理特性来执行作。随着神经网络增长到数十亿个参数，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，这种分离会产生“内存墙”问题，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。右）揭示了 CIM 有效的原因。也是引人注目的，这种方法需要通过带宽受限的总线进行持续的数据传输。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。这尤其会损害 AI 工作负载。这减少了延迟和能耗，