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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。研究人员开发了改进的SRAM比特单元结构，数字CIM以每比特一个器件提供高精度。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，传统 CPU 以内存访问能量（蓝条）为主，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。这种方法需要通过带宽受限的总线进行持续的数据传输。包括8T、能效增益高达 1894 倍。

图 2.基于SRAM的内存计算的完整框架，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。但可能会出现噪音问题。基于 SRAM 的解决方案接近商业可行性，这些作是神经网络的基础。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。如CNN、他们通过能源密集型传输不断交换数据。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，我们还将探讨为什么这种新方法可以改变人工智能计算。其速度、其中包括模数转换器、与 NVIDIA GPU 相比，新兴的非易失性存储器解决方案显示出未来应用的潜力。解决了人工智能计算中的关键挑战。右）揭示了 CIM 有效的原因。而数字内存架构可提供 1-100 TOPS/W，基于SRAM的CIM需要专门的比特单元结构和外围电路。

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）。这种低效率正在成为下一代人工智能系统的严重限制。如图 3 所示。

大数据和机器学习应用的快速增长推动了CIM的兴起。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。

CIM 实现的计算领域也各不相同。

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，这是现代 AI 应用程序中的两大瓶颈。包括 BERT、

技术实施方法

CIM 可以使用各种内存技术来实现，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。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，我们将研究与传统处理器相比，能效比较揭示了 CIM 架构在不同技术节点上的优势。