然而，这是现代 AI 应用程序中的两大瓶颈。CIM 代表了一场重大的架构转变，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。如CNN、以及辅助外围电路以提高性能。并且与后端制造工艺配合良好。混合信号方法试图平衡模拟和数字方法的优势。随着人工智能在技术应用中的不断扩展，存储和逻辑单元的这种集成减少了数据移动。传统的冯·诺依曼架构正在遇到物理障碍。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，与 NVIDIA GPU 相比，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

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。然而，能效比较揭示了 CIM 架构在不同技术节点上的优势。但在近内存处理架构中发挥着核心作用。限制了其在大型AI处理器中的可扩展性。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。

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 的解决方案接近商业可行性，（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。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。

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，随着神经网络增长到数十亿个参数，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，加速幅度从 2.3 倍到 200 倍不等。

当前的实现如何显着提高效率。每种技术都为不同的 AI 工作负载提供独特的优势。到 （b） 近内存计算，

CIM 实现的计算领域也各不相同。这里有一些可能会让您感到惊讶的事情。包括 BERT、模拟CIM利用存储单元的物理特性来执行作。传统 CPU 以内存访问能量（蓝条）为主，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。AES加密和分类算法。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。它们将计算功能直接嵌入到内存阵列中。在电路级别（图2a），这些应用需要高计算效率。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

近内存计算（图 1b）使内存更接近处理单元。混合信号运算支持乘法累加和绝对差值计算之和，（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）。

大数据和机器学习应用的快速增长推动了CIM的兴起。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。他们通过能源密集型传输不断交换数据。这些最初的尝试有重大局限性。

图2说明了基于SRAM的CIM开发的综合性。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，数字CIM以每比特一个器件提供高精度。这提供了更高的重量密度，这减少了延迟和能耗，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，它具有高密度，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。