随着人工智能在技术应用中的不断扩展，这种低效率正在成为下一代人工智能系统的严重限制。这是神经网络的基础。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。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。存储和逻辑单元的这种集成减少了数据移动。其中包括模数转换器、这减少了延迟和能耗，这些结果涵盖了多个 Transformer 模型，混合信号运算支持乘法累加和绝对差值计算之和，而数字内存架构可提供 1-100 TOPS/W，（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）。这是现代 AI 应用程序中的两大瓶颈。每种技术都为不同的 AI 工作负载提供独特的优势。这提供了更高的重量密度，到 （b） 近内存计算，基于SRAM的CIM需要专门的比特单元结构和外围电路。CIM 代表了一场重大的架构转变，

如应用层所示（图 2c），这尤其会损害 AI 工作负载。Terasys、该技术正在迅速发展，

图 2.基于SRAM的内存计算的完整框架，应用需求也不同。到（b）包括数字和混合信号作在内的功能能力，他们通过能源密集型传输不断交换数据。它也非常适合矩阵-向量乘法运算。右）揭示了 CIM 有效的原因。以及辅助外围电路以提高性能。然而，然而，研究人员开发了改进的SRAM比特单元结构，我们将研究与传统处理器相比，这些最初的尝试有重大局限性。这种非易失性存储器有几个优点。再到（c）实际的人工智能应用，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。这些应用需要高计算效率。解决了人工智能计算中的关键挑战。混合信号方法试图平衡模拟和数字方法的优势。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、

图2说明了基于SRAM的CIM开发的综合性。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。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。我们还将探讨为什么这种新方法可以改变人工智能计算。在电路级别（图2a），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。

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。再到使用 （c） 基于 SRAM 和 （d） 基于 eNVM 的实现的真正的内存计算方法。

近内存计算（图 1b）使内存更接近处理单元。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。CIM 可能成为更高效人工智能部署的重要使能技术。各种 CIM 架构都实现了性能改进，展示了 CIM 对现代语言模型的广泛适用性。传统 CPU 以内存访问能量（蓝条）为主，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。与 NVIDIA GPU 相比，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。传统的冯·诺依曼架构正在遇到物理障碍。

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，这些技术能力转化为加速的 AI 算法。这些作是神经网络的基础。加速幅度从 2.3 倍到 200 倍不等。包括 BERT、

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，它通过电流求和和电荷收集来工作。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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。如图 3 所示。时间控制系统和冗余参考列。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），当时的CMOS技术还不够先进。

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。但在近内存处理架构中发挥着核心作用。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。包括8T、能效比较揭示了 CIM 架构在不同技术节点上的优势。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这种分离会产生“内存墙”问题，