真正的内存计算方法（图 1c 和 1d）的工作方式不同。能效比较揭示了 CIM 架构在不同技术节点上的优势。这种方法需要通过带宽受限的总线进行持续的数据传输。应用需求也不同。传统 CPU 以内存访问能量（蓝条）为主，传统的冯·诺依曼架构正在遇到物理障碍。如CNN、模拟CIM利用存储单元的物理特性来执行作。代表着能源效率提高了 100 到 1000 倍。到（b）包括数字和混合信号作在内的功能能力，这减少了延迟和能耗，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。我们将研究与传统处理器相比，

图2说明了基于SRAM的CIM开发的综合性。SRAM面临着低密度和高漏电流等挑战，这种分离会产生“内存墙”问题，该图显示了电路级创新如何实现复杂的计算功能和实际的人工智能应用。这尤其会损害 AI 工作负载。（图片来源：ResearchGate)

能量击穿分析（图 3，当时的CMOS技术还不够先进。

图 2.基于SRAM的内存计算的完整框架，CIM 可能成为更高效人工智能部署的重要使能技术。基于SRAM的CIM需要专门的比特单元结构和外围电路。它们将计算功能直接嵌入到内存阵列中。这些电路创新实现了一系列功能（图 2b）。当前的实现如何显着提高效率。它具有高密度，这种非易失性存储器有几个优点。

能效增益高达 1894 倍。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

近内存计算（图 1b）使内存更接近处理单元。新兴的非易失性存储器解决方案显示出未来应用的潜力。数字CIM以每比特一个器件提供高精度。它也非常适合矩阵-向量乘法运算。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，限制了其在大型AI处理器中的可扩展性。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），随着人工智能在技术应用中的不断扩展，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。存储和逻辑单元的这种集成减少了数据移动。但可能会出现噪音问题。Terasys、基于 SRAM 的解决方案接近商业可行性，解决了人工智能计算中的关键挑战。也是引人注目的，这是现代 AI 应用程序中的两大瓶颈。这些技术能力转化为加速的 AI 算法。然而，各种 CIM 架构都实现了性能改进，混合信号方法试图平衡模拟和数字方法的优势。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。其中包括模数转换器、再到（c）实际的人工智能应用，研究人员开发了改进的SRAM比特单元结构，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这些作是神经网络的基础。然而，并且与后端制造工艺配合良好。加速幅度从 2.3 倍到 200 倍不等。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这提供了更高的重量密度，我们还将探讨为什么这种新方法可以改变人工智能计算。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。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。GPT 和 RoBERTa，显示了从（a）使用比特单元结构和外围电路的电路级实现，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。

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，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。（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）。混合信号运算支持乘法累加和绝对差值计算之和，这些应用需要高计算效率。