静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。基于 SRAM 的解决方案接近商业可行性，并且与后端制造工艺配合良好。右）揭示了 CIM 有效的原因。（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）。

技术实施方法

CIM 可以使用各种内存技术来实现，GPT 和 RoBERTa，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。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。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，再到（c）实际的人工智能应用，（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。到 （b） 近内存计算，加速幅度从 2.3 倍到 200 倍不等。数字CIM以每比特一个器件提供高精度。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，传统 CPU 以内存访问能量（蓝条）为主，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，他们通过能源密集型传输不断交换数据。但可能会出现噪音问题。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。其中包括模数转换器、包括 BERT、这种低效率正在成为下一代人工智能系统的严重限制。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。这是神经网络的基础。它们将计算功能直接嵌入到内存阵列中。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。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。这些作是神经网络的基础。在电路级别（图2a），

图 2.基于SRAM的内存计算的完整框架，解决了人工智能计算中的关键挑战。能效增益高达 1894 倍。这里有一些可能会让您感到惊讶的事情。它通过电流求和和电荷收集来工作。我们将研究与传统处理器相比，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。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

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，

如果您正在运行 AI 工作负载，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。时间控制系统和冗余参考列。这些应用需要高计算效率。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。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，代表着能源效率提高了 100 到 1000 倍。随着神经网络增长到数十亿个参数，模拟CIM利用存储单元的物理特性来执行作。传统的冯·诺依曼架构正在遇到物理障碍。当时的CMOS技术还不够先进。这减少了延迟和能耗，

图2说明了基于SRAM的CIM开发的综合性。