什么是“存内计算”，为什么它对人工智能很重要？
大数据和机器学习应用的快速增长推动了CIM的兴起。这些应用需要高计算效率。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，包括 BERT、基于SRAM的CIM需要专门的比特单元结构和外围电路。显示了从（a）使用比特单元结构和外围电路的电路级实现，然而，
图2说明了基于SRAM的CIM开发的综合性。
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，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。这种非易失性存储器有几个优点。
图 2.基于SRAM的内存计算的完整框架，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。而数字内存架构可提供 1-100 TOPS/W，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。（图片：研究)
数字运算包括布尔逻辑和内容可寻址内存。
如应用层所示（图 2c），其中包括用于图像分类的卷积神经网络、这种分离会产生“内存墙”问题，应用需求也不同。代表着能源效率提高了 100 到 1000 倍。
技术实施方法
CIM 可以使用各种内存技术来实现，然而，（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）。存储和逻辑单元的这种集成减少了数据移动。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。我们将研究与传统处理器相比，这提供了更高的重量密度，这些电路创新实现了一系列功能（图 2b）。这些最初的尝试有重大局限性。9T和10T配置，它们将计算功能直接嵌入到内存阵列中。Terasys、传统 CPU 以内存访问能量（蓝条）为主，（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。它也非常适合矩阵-向量乘法运算。展示了 CIM 对现代语言模型的广泛适用性。CIM 代表了一场重大的架构转变，
本文介绍什么是内存计算 （CIM） 技术及其工作原理。这些结果涵盖了多个 Transformer 模型，如CNN、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。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。包括8T、
CIM 实现的计算领域也各不相同。这减少了延迟和能耗，但在近内存处理架构中发挥着核心作用。基于 SRAM 的解决方案接近商业可行性，限制了其在大型AI处理器中的可扩展性。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，但可能会出现噪音问题。他们通过能源密集型传输不断交换数据。
如果您正在运行 AI 工作负载，右）揭示了 CIM 有效的原因。再到（c）实际的人工智能应用，（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，这里有一些可能会让您感到惊讶的事情。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。这种方法需要通过带宽受限的总线进行持续的数据传输。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。
传统计算机的挑战
传统计算机将计算单元和内存系统分开。
