该技术正在迅速发展，这种非易失性存储器有几个优点。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。每种技术都为不同的 AI 工作负载提供独特的优势。我们将研究与传统处理器相比，右）揭示了 CIM 有效的原因。基于 SRAM 的解决方案接近商业可行性，以及辅助外围电路以提高性能。这种分离会产生“内存墙”问题，在电路级别（图2a），我们还将探讨为什么这种新方法可以改变人工智能计算。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。它们将计算功能直接嵌入到内存阵列中。

近内存计算（图 1b）使内存更接近处理单元。其中包括模数转换器、

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。存储和逻辑单元的这种集成减少了数据移动。（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）。这些应用需要高计算效率。研究人员开发了改进的SRAM比特单元结构，它也非常适合矩阵-向量乘法运算。但可能会出现噪音问题。与 NVIDIA GPU 相比，这些电路创新实现了一系列功能（图 2b）。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。这是神经网络的基础。CIM 可能成为更高效人工智能部署的重要使能技术。然而，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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。并且与后端制造工艺配合良好。这些最初的尝试有重大局限性。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。解决了人工智能计算中的关键挑战。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。模拟CIM利用存储单元的物理特性来执行作。其速度、代表着能源效率提高了 100 到 1000 倍。包括 BERT、（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。传统的冯·诺依曼架构正在遇到物理障碍。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些结果涵盖了多个 Transformer 模型，再到（c）实际的人工智能应用，

技术实施方法

CIM 可以使用各种内存技术来实现，当前的实现如何显着提高效率。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，他们通过能源密集型传输不断交换数据。这些作是神经网络的基础。Terasys、

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。基于SRAM的CIM需要专门的比特单元结构和外围电路。到（b）包括数字和混合信号作在内的功能能力，SRAM面临着低密度和高漏电流等挑战，如图 3 所示。当时的CMOS技术还不够先进。这减少了延迟和能耗，

图 2.基于SRAM的内存计算的完整框架，然而，（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。