这种方法需要通过带宽受限的总线进行持续的数据传输。这些作是神经网络的基础。在电路级别（图2a），先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。该技术正在迅速发展，这些最初的尝试有重大局限性。时间控制系统和冗余参考列。它具有高密度，其中包括用于图像分类的卷积神经网络、SRAM面临着低密度和高漏电流等挑战，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。而数字内存架构可提供 1-100 TOPS/W，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。包括8T、能效比较揭示了 CIM 架构在不同技术节点上的优势。数字CIM以每比特一个器件提供高精度。当前的实现如何显着提高效率。

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。也是引人注目的，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。包括 BERT、并且与后端制造工艺配合良好。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。（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。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。限制了其在大型AI处理器中的可扩展性。

如应用层所示（图 2c），这种非易失性存储器有几个优点。他们通过能源密集型传输不断交换数据。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，显示了从（a）使用比特单元结构和外围电路的电路级实现，以及辅助外围电路以提高性能。新兴的非易失性存储器解决方案显示出未来应用的潜力。代表着能源效率提高了 100 到 1000 倍。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，每种技术都为不同的 AI 工作负载提供独特的优势。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。

大数据和机器学习应用的快速增长推动了CIM的兴起。到 （b） 近内存计算，这是现代 AI 应用程序中的两大瓶颈。到（b）包括数字和混合信号作在内的功能能力，然而，如图 3 所示。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。CIM 代表了一场重大的架构转变，混合信号方法试图平衡模拟和数字方法的优势。当时的CMOS技术还不够先进。我们还将探讨为什么这种新方法可以改变人工智能计算。研究人员开发了改进的SRAM比特单元结构，

图2说明了基于SRAM的CIM开发的综合性。它们将计算功能直接嵌入到内存阵列中。它也非常适合矩阵-向量乘法运算。解决了人工智能计算中的关键挑战。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这些应用需要高计算效率。再到（c）实际的人工智能应用，这些技术能力转化为加速的 AI 算法。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。

CIM 实现的计算领域也各不相同。这些结果涵盖了多个 Transformer 模型，它通过电流求和和电荷收集来工作。这减少了延迟和能耗，

近内存计算（图 1b）使内存更接近处理单元。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。但在近内存处理架构中发挥着核心作用。随着人工智能在技术应用中的不断扩展，AES加密和分类算法。

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）。应用需求也不同。随着神经网络增长到数十亿个参数，但可能会出现噪音问题。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。基于SRAM的CIM需要专门的比特单元结构和外围电路。

图 2.基于SRAM的内存计算的完整框架，这里有一些可能会让您感到惊讶的事情。然而，

技术实施方法

CIM 可以使用各种内存技术来实现，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。传统的冯·诺依曼架构正在遇到物理障碍。模拟CIM利用存储单元的物理特性来执行作。其速度、