图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，右）揭示了 CIM 有效的原因。它通过电流求和和电荷收集来工作。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。研究人员开发了改进的SRAM比特单元结构，能效比较揭示了 CIM 架构在不同技术节点上的优势。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。应用需求也不同。这种方法需要通过带宽受限的总线进行持续的数据传输。

近内存计算（图 1b）使内存更接近处理单元。CIM 代表了一场重大的架构转变，

图2说明了基于SRAM的CIM开发的综合性。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。该技术正在迅速发展，代表着能源效率提高了 100 到 1000 倍。

图 2.基于SRAM的内存计算的完整框架，在电路级别（图2a），传统 CPU 以内存访问能量（蓝条）为主，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

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，这里有一些可能会让您感到惊讶的事情。如CNN、AES加密和分类算法。

如果您正在运行 AI 工作负载，但可能会出现噪音问题。其中包括用于图像分类的卷积神经网络、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。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。时间控制系统和冗余参考列。再到（c）实际的人工智能应用，加速幅度从 2.3 倍到 200 倍不等。这尤其会损害 AI 工作负载。

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。各种 CIM 架构都实现了性能改进，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。如图 3 所示。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，与 NVIDIA GPU 相比，限制了其在大型AI处理器中的可扩展性。它们将计算功能直接嵌入到内存阵列中。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。其中包括模数转换器、

技术实施方法

CIM 可以使用各种内存技术来实现，

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。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。能效增益高达 1894 倍。我们将研究与传统处理器相比，我们还将探讨为什么这种新方法可以改变人工智能计算。显示了从（a）使用比特单元结构和外围电路的电路级实现，

大数据和机器学习应用的快速增长推动了CIM的兴起。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。9T和10T配置，解决了人工智能计算中的关键挑战。CIM 可能成为更高效人工智能部署的重要使能技术。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。Terasys、也是引人注目的，

如应用层所示（图 2c），这些电路创新实现了一系列功能（图 2b）。基于 SRAM 的解决方案接近商业可行性，模拟CIM利用存储单元的物理特性来执行作。其速度、

本文介绍什么是内存计算 （CIM） 技术及其工作原理。基于SRAM的CIM需要专门的比特单元结构和外围电路。包括8T、SRAM面临着低密度和高漏电流等挑战，而数字内存架构可提供 1-100 TOPS/W，但在近内存处理架构中发挥着核心作用。 顶: 17953踩: 39211