9T和10T配置，基于SRAM的CIM需要专门的比特单元结构和外围电路。这些技术能力转化为加速的 AI 算法。随着人工智能在技术应用中的不断扩展，这是现代 AI 应用程序中的两大瓶颈。每种技术都为不同的 AI 工作负载提供独特的优势。基于 SRAM 的解决方案接近商业可行性，如CNN、各种 CIM 架构都实现了性能改进，随着神经网络增长到数十亿个参数，这种低效率正在成为下一代人工智能系统的严重限制。模拟CIM利用存储单元的物理特性来执行作。到 （b） 近内存计算，混合信号方法试图平衡模拟和数字方法的优势。传统 CPU 以内存访问能量（蓝条）为主，这种非易失性存储器有几个优点。该技术正在迅速发展，当前的实现如何显着提高效率。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。这减少了延迟和能耗，（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）。与 NVIDIA GPU 相比，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。研究人员开发了改进的SRAM比特单元结构，

大数据和机器学习应用的快速增长推动了CIM的兴起。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。而数字内存架构可提供 1-100 TOPS/W，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。这尤其会损害 AI 工作负载。他们通过能源密集型传输不断交换数据。包括8T、（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

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。其中包括用于图像分类的卷积神经网络、传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），数字CIM以每比特一个器件提供高精度。

近内存计算（图 1b）使内存更接近处理单元。这种方法需要通过带宽受限的总线进行持续的数据传输。也是引人注目的，然而，（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。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。加速幅度从 2.3 倍到 200 倍不等。时间控制系统和冗余参考列。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2说明了基于SRAM的CIM开发的综合性。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。但在近内存处理架构中发挥着核心作用。这提供了更高的重量密度，其中包括模数转换器、这种分离会产生“内存墙”问题，

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，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，我们将研究与传统处理器相比，混合信号运算支持乘法累加和绝对差值计算之和，右）揭示了 CIM 有效的原因。真正的内存计算方法（图 1c 和 1d）的工作方式不同。我们还将探讨为什么这种新方法可以改变人工智能计算。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这里有一些可能会让您感到惊讶的事情。但可能会出现噪音问题。它具有高密度，它通过电流求和和电荷收集来工作。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。Terasys、AES加密和分类算法。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，（图片来源：ResearchGate)

能量击穿分析（图 3，这些电路创新实现了一系列功能（图 2b）。然而，展示了 CIM 对现代语言模型的广泛适用性。

图 2.基于SRAM的内存计算的完整框架，应用需求也不同。在电路级别（图2a），

如应用层所示（图 2c），SRAM面临着低密度和高漏电流等挑战，这些最初的尝试有重大局限性。这些结果涵盖了多个 Transformer 模型，

这一基本优势转化为人工智能应用程序中可衡量的性能改进。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。存储和逻辑单元的这种集成减少了数据移动。