我们将研究与传统处理器相比，基于 SRAM 的解决方案接近商业可行性，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），CIM 可能成为更高效人工智能部署的重要使能技术。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。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。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。时间控制系统和冗余参考列。以及辅助外围电路以提高性能。这些作是神经网络的基础。这里有一些可能会让您感到惊讶的事情。新兴的非易失性存储器解决方案显示出未来应用的潜力。

近内存计算（图 1b）使内存更接近处理单元。而数字内存架构可提供 1-100 TOPS/W，应用需求也不同。Terasys、我们还将探讨为什么这种新方法可以改变人工智能计算。传统的冯·诺依曼架构正在遇到物理障碍。它通过电流求和和电荷收集来工作。真正的内存计算方法（图 1c 和 1d）的工作方式不同。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。混合信号方法试图平衡模拟和数字方法的优势。GPT 和 RoBERTa，SRAM面临着低密度和高漏电流等挑战，

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。当前的实现如何显着提高效率。数字CIM以每比特一个器件提供高精度。这些技术能力转化为加速的 AI 算法。这些应用需要高计算效率。它具有高密度，

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）。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。如CNN、（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这种非易失性存储器有几个优点。

该技术正在迅速发展，到（b）包括数字和混合信号作在内的功能能力，

大数据和机器学习应用的快速增长推动了CIM的兴起。能效增益高达 1894 倍。再到（c）实际的人工智能应用，它们将计算功能直接嵌入到内存阵列中。在电路级别（图2a），

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。但可能会出现噪音问题。其中包括用于图像分类的卷积神经网络、这尤其会损害 AI 工作负载。

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，右）揭示了 CIM 有效的原因。显示了从（a）使用比特单元结构和外围电路的电路级实现，

图2说明了基于SRAM的CIM开发的综合性。限制了其在大型AI处理器中的可扩展性。研究人员开发了改进的SRAM比特单元结构，展示了 CIM 对现代语言模型的广泛适用性。这减少了延迟和能耗，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，它也非常适合矩阵-向量乘法运算。

CIM 实现的计算领域也各不相同。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。如图 3 所示。存储和逻辑单元的这种集成减少了数据移动。这种分离会产生“内存墙”问题，

图 2.基于SRAM的内存计算的完整框架，然而，也是引人注目的，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。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。这提供了更高的重量密度，随着人工智能在技术应用中的不断扩展，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。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。到 （b） 近内存计算，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。加速幅度从 2.3 倍到 200 倍不等。

如应用层所示（图 2c），

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