静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。到（b）包括数字和混合信号作在内的功能能力，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，代表着能源效率提高了 100 到 1000 倍。这减少了延迟和能耗，展示了 CIM 对现代语言模型的广泛适用性。其中包括模数转换器、基于 SRAM 的解决方案接近商业可行性，然而，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。

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，但在近内存处理架构中发挥着核心作用。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，在电路级别（图2a），我们将研究与传统处理器相比，右）揭示了 CIM 有效的原因。也是引人注目的，但可能会出现噪音问题。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。这种非易失性存储器有几个优点。CIM 可能成为更高效人工智能部署的重要使能技术。真正的内存计算方法（图 1c 和 1d）的工作方式不同。这些作是神经网络的基础。每种技术都为不同的 AI 工作负载提供独特的优势。

图2说明了基于SRAM的CIM开发的综合性。而数字内存架构可提供 1-100 TOPS/W，这些最初的尝试有重大局限性。各种 CIM 架构都实现了性能改进，（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）。他们通过能源密集型传输不断交换数据。

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。以及辅助外围电路以提高性能。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

传统 CPU 以内存访问能量（蓝条）为主，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这里有一些可能会让您感到惊讶的事情。加速幅度从 2.3 倍到 200 倍不等。然而，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。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。CIM 代表了一场重大的架构转变，这种方法需要通过带宽受限的总线进行持续的数据传输。

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，这些技术能力转化为加速的 AI 算法。它也非常适合矩阵-向量乘法运算。AES加密和分类算法。它通过电流求和和电荷收集来工作。

如应用层所示（图 2c），

近内存计算（图 1b）使内存更接近处理单元。这是现代 AI 应用程序中的两大瓶颈。基于SRAM的CIM需要专门的比特单元结构和外围电路。研究人员开发了改进的SRAM比特单元结构，（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。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。

大数据和机器学习应用的快速增长推动了CIM的兴起。显示了从（a）使用比特单元结构和外围电路的电路级实现，