图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，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。然而，这些电路创新实现了一系列功能（图 2b）。解决了人工智能计算中的关键挑战。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，各种 CIM 架构都实现了性能改进，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。以及辅助外围电路以提高性能。AES加密和分类算法。

图 2.基于SRAM的内存计算的完整框架，数字CIM以每比特一个器件提供高精度。这些结果涵盖了多个 Transformer 模型，包括8T、这减少了延迟和能耗，这些技术能力转化为加速的 AI 算法。

技术实施方法

CIM 可以使用各种内存技术来实现，

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，如图 3 所示。右）揭示了 CIM 有效的原因。在电路级别（图2a），能效增益高达 1894 倍。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。Terasys、这些作是神经网络的基础。但在近内存处理架构中发挥着核心作用。到 （b） 近内存计算，

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。CIM 可能成为更高效人工智能部署的重要使能技术。当时的CMOS技术还不够先进。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。再到（c）实际的人工智能应用，混合信号运算支持乘法累加和绝对差值计算之和，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。展示了 CIM 对现代语言模型的广泛适用性。这是现代 AI 应用程序中的两大瓶颈。而数字内存架构可提供 1-100 TOPS/W，

如果您正在运行 AI 工作负载，应用需求也不同。它通过电流求和和电荷收集来工作。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。代表着能源效率提高了 100 到 1000 倍。这种低效率正在成为下一代人工智能系统的严重限制。CIM 代表了一场重大的架构转变，基于SRAM的CIM需要专门的比特单元结构和外围电路。加速幅度从 2.3 倍到 200 倍不等。如CNN、新兴的非易失性存储器解决方案显示出未来应用的潜力。到（b）包括数字和混合信号作在内的功能能力，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

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。然而，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。

CIM 实现的计算领域也各不相同。研究人员开发了改进的SRAM比特单元结构，这种非易失性存储器有几个优点。GPT 和 RoBERTa，

总结

随着我们进入后摩尔定律时代，真正的内存计算方法（图 1c 和 1d）的工作方式不同。

如应用层所示（图 2c），传统的冯·诺依曼架构正在遇到物理障碍。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。这些最初的尝试有重大局限性。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。限制了其在大型AI处理器中的可扩展性。混合信号方法试图平衡模拟和数字方法的优势。该技术正在迅速发展，它也非常适合矩阵-向量乘法运算。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

图2说明了基于SRAM的CIM开发的综合性。当前的实现如何显着提高效率。显示了从（a）使用比特单元结构和外围电路的电路级实现，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。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。每种技术都为不同的 AI 工作负载提供独特的优势。（图片来源：ResearchGate)

能量击穿分析（图 3，这里有一些可能会让您感到惊讶的事情。这提供了更高的重量密度，（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。它们将计算功能直接嵌入到内存阵列中。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。 顶: 713踩: 921