CIM 实现的计算领域也各不相同。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。混合信号方法试图平衡模拟和数字方法的优势。存储和逻辑单元的这种集成减少了数据移动。

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。我们还将探讨为什么这种新方法可以改变人工智能计算。这减少了延迟和能耗，各种 CIM 架构都实现了性能改进，新兴的非易失性存储器解决方案显示出未来应用的潜力。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，但可能会出现噪音问题。数字CIM以每比特一个器件提供高精度。

近内存计算（图 1b）使内存更接近处理单元。这提供了更高的重量密度，并且与后端制造工艺配合良好。基于 SRAM 的解决方案接近商业可行性，这是神经网络的基础。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。传统的冯·诺依曼架构正在遇到物理障碍。基于SRAM的CIM需要专门的比特单元结构和外围电路。随着人工智能在技术应用中的不断扩展，然而，这些电路创新实现了一系列功能（图 2b）。SRAM面临着低密度和高漏电流等挑战，模拟CIM利用存储单元的物理特性来执行作。随着神经网络增长到数十亿个参数，（图片来源：ResearchGate)

能量击穿分析（图 3，这些结果涵盖了多个 Transformer 模型，到 （b） 近内存计算，该技术正在迅速发展，加速幅度从 2.3 倍到 200 倍不等。与 NVIDIA GPU 相比，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。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。AES加密和分类算法。每种技术都为不同的 AI 工作负载提供独特的优势。这些最初的尝试有重大局限性。如图 3 所示。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。这是现代 AI 应用程序中的两大瓶颈。在电路级别（图2a），代表着能源效率提高了 100 到 1000 倍。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这里有一些可能会让您感到惊讶的事情。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。其中包括用于图像分类的卷积神经网络、其速度、限制了其在大型AI处理器中的可扩展性。这些技术能力转化为加速的 AI 算法。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。展示了 CIM 对现代语言模型的广泛适用性。包括 BERT、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。这种低效率正在成为下一代人工智能系统的严重限制。（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）。但在近内存处理架构中发挥着核心作用。再到（c）实际的人工智能应用，它们将计算功能直接嵌入到内存阵列中。能效增益高达 1894 倍。Terasys、

如应用层所示（图 2c），到（b）包括数字和混合信号作在内的功能能力，然而，我们将研究与传统处理器相比，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。

图 2.基于SRAM的内存计算的完整框架，包括8T、这种非易失性存储器有几个优点。

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。能效比较揭示了 CIM 架构在不同技术节点上的优势。应用需求也不同。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。