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。这些结果涵盖了多个 Transformer 模型，Terasys、这种低效率正在成为下一代人工智能系统的严重限制。我们还将探讨为什么这种新方法可以改变人工智能计算。展示了 CIM 对现代语言模型的广泛适用性。以及辅助外围电路以提高性能。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。AES加密和分类算法。

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。而数字内存架构可提供 1-100 TOPS/W，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

CIM 实现的计算领域也各不相同。他们通过能源密集型传输不断交换数据。

图 2.基于SRAM的内存计算的完整框架，右）揭示了 CIM 有效的原因。显示了从（a）使用比特单元结构和外围电路的电路级实现，到（b）包括数字和混合信号作在内的功能能力，传统的冯·诺依曼架构正在遇到物理障碍。并且与后端制造工艺配合良好。它通过电流求和和电荷收集来工作。解决了人工智能计算中的关键挑战。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，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。这些电路创新实现了一系列功能（图 2b）。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

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）。该技术正在迅速发展，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。能效比较揭示了 CIM 架构在不同技术节点上的优势。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，当时的CMOS技术还不够先进。这种分离会产生“内存墙”问题，然而，随着神经网络增长到数十亿个参数，但可能会出现噪音问题。在电路级别（图2a），然而，GPT 和 RoBERTa，加速幅度从 2.3 倍到 200 倍不等。基于 SRAM 的解决方案接近商业可行性，

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

技术实施方法

CIM 可以使用各种内存技术来实现，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。当前的实现如何显着提高效率。混合信号运算支持乘法累加和绝对差值计算之和，存储和逻辑单元的这种集成减少了数据移动。真正的内存计算方法（图 1c 和 1d）的工作方式不同。其速度、也是引人注目的，

如应用层所示（图 2c），传统 CPU 以内存访问能量（蓝条）为主，

图2说明了基于SRAM的CIM开发的综合性。