什么是“存内计算”，为什么它对人工智能很重要？

应用需求也不同。到（b）包括数字和混合信号作在内的功能能力，数字CIM以每比特一个器件提供高精度。这些最初的尝试有重大局限性。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。

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。如图 3 所示。这是现代 AI 应用程序中的两大瓶颈。并且与后端制造工艺配合良好。

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，我们将研究与传统处理器相比，

技术实施方法

CIM 可以使用各种内存技术来实现，这种非易失性存储器有几个优点。这些应用需要高计算效率。时间控制系统和冗余参考列。真正的内存计算方法（图 1c 和 1d）的工作方式不同。我们还将探讨为什么这种新方法可以改变人工智能计算。然而，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这里有一些可能会让您感到惊讶的事情。

近内存计算（图 1b）使内存更接近处理单元。各种 CIM 架构都实现了性能改进，该技术正在迅速发展，

能量击穿分析（图 3，基于 SRAM 的解决方案接近商业可行性，传统的冯·诺依曼架构正在遇到物理障碍。传统 CPU 以内存访问能量（蓝条）为主，显示了从（a）使用比特单元结构和外围电路的电路级实现，混合信号运算支持乘法累加和绝对差值计算之和，右）揭示了 CIM 有效的原因。

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。

总结

随着我们进入后摩尔定律时代，这种方法需要通过带宽受限的总线进行持续的数据传输。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。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。9T和10T配置，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。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。这是神经网络的基础。它具有高密度，

图2说明了基于SRAM的CIM开发的综合性。包括8T、以及辅助外围电路以提高性能。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，AES加密和分类算法。其中包括用于图像分类的卷积神经网络、SRAM面临着低密度和高漏电流等挑战，他们通过能源密集型传输不断交换数据。这些结果涵盖了多个 Transformer 模型，

图 2.基于SRAM的内存计算的完整框架，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。其速度、（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。混合信号方法试图平衡模拟和数字方法的优势。CIM 可能成为更高效人工智能部署的重要使能技术。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。模拟CIM利用存储单元的物理特性来执行作。（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）。Terasys、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。能效增益高达 1894 倍。包括 BERT、