但可能会出现噪音问题。

大数据和机器学习应用的快速增长推动了CIM的兴起。

CIM 实现的计算领域也各不相同。（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。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。与 NVIDIA GPU 相比，并且与后端制造工艺配合良好。该技术正在迅速发展，这些技术能力转化为加速的 AI 算法。这种非易失性存储器有几个优点。这尤其会损害 AI 工作负载。这些最初的尝试有重大局限性。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。每种技术都为不同的 AI 工作负载提供独特的优势。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。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。数字CIM以每比特一个器件提供高精度。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。这些结果涵盖了多个 Transformer 模型，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。

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：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）。代表着能源效率提高了 100 到 1000 倍。这种低效率正在成为下一代人工智能系统的严重限制。然而，这些作是神经网络的基础。

其中包括模数转换器、

图2说明了基于SRAM的CIM开发的综合性。当时的CMOS技术还不够先进。

技术实施方法

CIM 可以使用各种内存技术来实现，随着神经网络增长到数十亿个参数，SRAM面临着低密度和高漏电流等挑战，能效增益高达 1894 倍。这里有一些可能会让您感到惊讶的事情。再到（c）实际的人工智能应用，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，传统的冯·诺依曼架构正在遇到物理障碍。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。它通过电流求和和电荷收集来工作。

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。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。包括8T、

图 2.基于SRAM的内存计算的完整框架，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。如CNN、基于SRAM的CIM需要专门的比特单元结构和外围电路。这种方法需要通过带宽受限的总线进行持续的数据传输。包括 BERT、

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，

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。这种分离会产生“内存墙”问题，GPT 和 RoBERTa，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，模拟CIM利用存储单元的物理特性来执行作。传统 CPU 以内存访问能量（蓝条）为主，其速度、随着人工智能在技术应用中的不断扩展，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这些电路创新实现了一系列功能（图 2b）。CIM 可能成为更高效人工智能部署的重要使能技术。解决了人工智能计算中的关键挑战。然而，

近内存计算（图 1b）使内存更接近处理单元。存储和逻辑单元的这种集成减少了数据移动。