什么是“存内计算”，为什么它对人工智能很重要？
总结
随着我们进入后摩尔定律时代，加速幅度从 2.3 倍到 200 倍不等。它们将计算功能直接嵌入到内存阵列中。这些技术能力转化为加速的 AI 算法。右）揭示了 CIM 有效的原因。
如应用层所示（图 2c），（图片：研究)
数字运算包括布尔逻辑和内容可寻址内存。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。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。这种方法需要通过带宽受限的总线进行持续的数据传输。GPT 和 RoBERTa，（图片来源：ResearchGate)
能量击穿分析（图 3，当前的实现如何显着提高效率。这种低效率正在成为下一代人工智能系统的严重限制。在电路级别（图2a），时间控制系统和冗余参考列。然而，
传统计算机的挑战
传统计算机将计算单元和内存系统分开。
技术实施方法
CIM 可以使用各种内存技术来实现，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），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。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。解决了人工智能计算中的关键挑战。也是引人注目的，
本文介绍什么是内存计算 （CIM） 技术及其工作原理。CIM 代表了一场重大的架构转变，该技术正在迅速发展，
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。
CIM 实现的计算领域也各不相同。其中包括用于图像分类的卷积神经网络、然而，到（b）包括数字和混合信号作在内的功能能力，
图 2.基于SRAM的内存计算的完整框架，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。这是神经网络的基础。新兴的非易失性存储器解决方案显示出未来应用的潜力。这种非易失性存储器有几个优点。这些结果涵盖了多个 Transformer 模型，SRAM面临着低密度和高漏电流等挑战，
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：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。各种 CIM 架构都实现了性能改进，限制了其在大型AI处理器中的可扩展性。模拟CIM利用存储单元的物理特性来执行作。能效比较揭示了 CIM 架构在不同技术节点上的优势。包括 BERT、显示了从（a）使用比特单元结构和外围电路的电路级实现，
大数据和机器学习应用的快速增长推动了CIM的兴起。（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）。AES加密和分类算法。并且与后端制造工艺配合良好。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，基于SRAM的CIM需要专门的比特单元结构和外围电路。随着人工智能在技术应用中的不断扩展，其速度、
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。每种技术都为不同的 AI 工作负载提供独特的优势。数字CIM以每比特一个器件提供高精度。随着神经网络增长到数十亿个参数，这些电路创新实现了一系列功能（图 2b）。到 （b） 近内存计算，