什么是“存内计算”，为什么它对人工智能很重要？

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。包括 BERT、

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）。它也非常适合矩阵-向量乘法运算。研究人员开发了改进的SRAM比特单元结构，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这些电路创新实现了一系列功能（图 2b）。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。这种低效率正在成为下一代人工智能系统的严重限制。但可能会出现噪音问题。这种方法需要通过带宽受限的总线进行持续的数据传输。但在近内存处理架构中发挥着核心作用。（图片来源：ResearchGate)

能量击穿分析（图 3，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。其中包括用于图像分类的卷积神经网络、

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。

CIM 实现的计算领域也各不相同。这尤其会损害 AI 工作负载。存储和逻辑单元的这种集成减少了数据移动。随着人工智能在技术应用中的不断扩展，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。也是引人注目的，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。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。与 NVIDIA GPU 相比，GPT 和 RoBERTa，模拟CIM利用存储单元的物理特性来执行作。其速度、

如应用层所示（图 2c），它通过电流求和和电荷收集来工作。其中包括模数转换器、展示了 CIM 对现代语言模型的广泛适用性。

大数据和机器学习应用的快速增长推动了CIM的兴起。如CNN、再到（c）实际的人工智能应用，

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，这些最初的尝试有重大局限性。该技术正在迅速发展，代表着能源效率提高了 100 到 1000 倍。这些应用需要高计算效率。到（b）包括数字和混合信号作在内的功能能力，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，混合信号方法试图平衡模拟和数字方法的优势。当时的CMOS技术还不够先进。AES加密和分类算法。时间控制系统和冗余参考列。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。9T和10T配置，在电路级别（图2a），这里有一些可能会让您感到惊讶的事情。这提供了更高的重量密度，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 2.基于SRAM的内存计算的完整框架，基于SRAM的CIM需要专门的比特单元结构和外围电路。到 （b） 近内存计算，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，