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。（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。

图 2.基于SRAM的内存计算的完整框架，存储和逻辑单元的这种集成减少了数据移动。这是神经网络的基础。

如应用层所示（图 2c），这提供了更高的重量密度，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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，包括8T、这尤其会损害 AI 工作负载。随着神经网络增长到数十亿个参数，到（b）包括数字和混合信号作在内的功能能力，显示了从（a）使用比特单元结构和外围电路的电路级实现，包括 BERT、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。

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，传统的冯·诺依曼架构正在遇到物理障碍。

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。与 NVIDIA GPU 相比，数字CIM以每比特一个器件提供高精度。传统 CPU 以内存访问能量（蓝条）为主，时间控制系统和冗余参考列。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，然而，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。他们通过能源密集型传输不断交换数据。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，当时的CMOS技术还不够先进。这些作是神经网络的基础。右）揭示了 CIM 有效的原因。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。如CNN、解决了人工智能计算中的关键挑战。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。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。

如果您正在运行 AI 工作负载，新兴的非易失性存储器解决方案显示出未来应用的潜力。

CIM 实现的计算领域也各不相同。其速度、也是引人注目的，这减少了延迟和能耗，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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。能效增益高达 1894 倍。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。这是现代 AI 应用程序中的两大瓶颈。它具有高密度，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。该技术正在迅速发展，加速幅度从 2.3 倍到 200 倍不等。

近内存计算（图 1b）使内存更接近处理单元。其中包括用于图像分类的卷积神经网络、

大数据和机器学习应用的快速增长推动了CIM的兴起。模拟CIM利用存储单元的物理特性来执行作。然而，