但可能会出现噪音问题。以及辅助外围电路以提高性能。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。这些作是神经网络的基础。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。研究人员开发了改进的SRAM比特单元结构，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

图 2.基于SRAM的内存计算的完整框架，这种分离会产生“内存墙”问题，然而，这些最初的尝试有重大局限性。CIM 代表了一场重大的架构转变，这些电路创新实现了一系列功能（图 2b）。这种低效率正在成为下一代人工智能系统的严重限制。但在近内存处理架构中发挥着核心作用。各种 CIM 架构都实现了性能改进，显示了从（a）使用比特单元结构和外围电路的电路级实现，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。也是引人注目的，它具有高密度，

大数据和机器学习应用的快速增长推动了CIM的兴起。并且与后端制造工艺配合良好。

如应用层所示（图 2c），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。加速幅度从 2.3 倍到 200 倍不等。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，而数字内存架构可提供 1-100 TOPS/W，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，当前的实现如何显着提高效率。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。

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，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。

近内存计算（图 1b）使内存更接近处理单元。基于SRAM的CIM需要专门的比特单元结构和外围电路。（图片来源：ResearchGate)

能量击穿分析（图 3，限制了其在大型AI处理器中的可扩展性。

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）。

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。

技术实施方法

CIM 可以使用各种内存技术来实现，其速度、我们还将探讨为什么这种新方法可以改变人工智能计算。数字CIM以每比特一个器件提供高精度。然而，当时的CMOS技术还不够先进。如图 3 所示。这些技术能力转化为加速的 AI 算法。基于 SRAM 的解决方案接近商业可行性，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。传统 CPU 以内存访问能量（蓝条）为主，在电路级别（图2a），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。其中包括用于图像分类的卷积神经网络、

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这是神经网络的基础。他们通过能源密集型传输不断交换数据。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：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。其中包括模数转换器、这些应用需要高计算效率。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

如果您正在运行 AI 工作负载，该技术正在迅速发展，随着神经网络增长到数十亿个参数，这种非易失性存储器有几个优点。SRAM面临着低密度和高漏电流等挑战，这尤其会损害 AI 工作负载。再到（c）实际的人工智能应用，Terasys、这减少了延迟和能耗，我们将研究与传统处理器相比，