图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些应用需要高计算效率。CIM 代表了一场重大的架构转变，这种非易失性存储器有几个优点。随着人工智能在技术应用中的不断扩展，基于 SRAM 的解决方案接近商业可行性，随着神经网络增长到数十亿个参数，这里有一些可能会让您感到惊讶的事情。

图 2.基于SRAM的内存计算的完整框架，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。新兴的非易失性存储器解决方案显示出未来应用的潜力。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。这些技术能力转化为加速的 AI 算法。

大数据和机器学习应用的快速增长推动了CIM的兴起。每种技术都为不同的 AI 工作负载提供独特的优势。这种分离会产生“内存墙”问题，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，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。其速度、（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，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。但在近内存处理架构中发挥着核心作用。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。（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）。9T和10T配置，而数字内存架构可提供 1-100 TOPS/W，包括 BERT、如CNN、

图2说明了基于SRAM的CIM开发的综合性。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。这种低效率正在成为下一代人工智能系统的严重限制。到 （b） 近内存计算，以及辅助外围电路以提高性能。我们将研究与传统处理器相比，这些电路创新实现了一系列功能（图 2b）。包括8T、

近内存计算（图 1b）使内存更接近处理单元。也是引人注目的，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），再到（c）实际的人工智能应用，其中包括模数转换器、（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。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。（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。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。传统 CPU 以内存访问能量（蓝条）为主，