静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。它具有高密度，

大数据和机器学习应用的快速增长推动了CIM的兴起。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。到（b）包括数字和混合信号作在内的功能能力，传统 CPU 以内存访问能量（蓝条）为主，

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）。每种技术都为不同的 AI 工作负载提供独特的优势。新兴的非易失性存储器解决方案显示出未来应用的潜力。这是现代 AI 应用程序中的两大瓶颈。CIM 代表了一场重大的架构转变，该技术正在迅速发展，（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。我们将研究与传统处理器相比，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

如应用层所示（图 2c），其中包括模数转换器、也是引人注目的，SRAM面临着低密度和高漏电流等挑战，这种低效率正在成为下一代人工智能系统的严重限制。CIM 可能成为更高效人工智能部署的重要使能技术。

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。但可能会出现噪音问题。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，如CNN、传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），IRAM 和 FlexRAM 等早期提案出现在 1990 年代。代表着能源效率提高了 100 到 1000 倍。随着神经网络增长到数十亿个参数，到 （b） 近内存计算，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这种方法需要通过带宽受限的总线进行持续的数据传输。这尤其会损害 AI 工作负载。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，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。Terasys、我们还将探讨为什么这种新方法可以改变人工智能计算。

图 2.基于SRAM的内存计算的完整框架，（图片来源：ResearchGate)

能量击穿分析（图 3，这些技术能力转化为加速的 AI 算法。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。显示了从（a）使用比特单元结构和外围电路的电路级实现，能效增益高达 1894 倍。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。然而，这提供了更高的重量密度，这些应用需要高计算效率。

混合信号方法试图平衡模拟和数字方法的优势。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。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。

图2说明了基于SRAM的CIM开发的综合性。真正的内存计算方法（图 1c 和 1d）的工作方式不同。这些电路创新实现了一系列功能（图 2b）。其中包括用于图像分类的卷积神经网络、它们将计算功能直接嵌入到内存阵列中。包括8T、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。

技术实施方法

CIM 可以使用各种内存技术来实现，基于SRAM的CIM需要专门的比特单元结构和外围电路。传统的冯·诺依曼架构正在遇到物理障碍。当前的实现如何显着提高效率。这些作是神经网络的基础。右）揭示了 CIM 有效的原因。数字CIM以每比特一个器件提供高精度。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。