该文综述以内存为中心的计算系统，探讨存内计算（PIM）架构如何缓解处理器内存访问瓶颈与能耗问题，并评估其在机器学习训练中的潜力。研究提出NicePIM优化方案、记忆层图神经网络、故障感知框架FARe及轻量级算子Epitome等。实验表明，PIM在吞吐量、能效和准确率上优于传统CPU和GPU，可应用于边缘计算与可持续计算。

该文综述存内计算（CiM）用于机器学习推断的研究。通过架构与算法协同设计，可显著提升能效与性能，如INT-8精度能耗降至0.12倍、性能增益达4倍；NACIM框架能效达16.3 TOPs/W，并降低设备变异影响76.44%。研究还涵盖混合精度训练、最坏情况感知训练及基于PCM、RTM等硬件的ResNet训练方法，实现高精度与高能效。

该文综述了利用存内计算（PIM）优化机器学习与数据中心架构的研究，涵盖嵌入式表缓存、混合维度嵌入、NicePIM、MTrainS、NeuroCluster、AutoDim、MANN及eDRAM边缘训练等方案，通过算法与硬件协同设计降低内存占用与能耗，提升训练效率与加速效果。

本文综述了多种神经网络加速器研究，包括基于微环谐振器的光子CNN加速器、光学随机计算、模拟ReRAM、TIMELY存内计算、BEANNA、AnalogNAS、PhotoHDC和Mirage等。这些方案在能效、吞吐量和面积效率上较传统设计显著提升，部分提升达数十倍。

该文综述存内计算（CiM/PIM）研究：提出面向瓦片式存内计算架构的跨层调度算法CLSA-CIM，利用率最高提升17.9倍，速度提升29.2倍；验证CiM可显著降低机器学习推断能耗；探讨PIM在数据中心、关联处理器、神经架构搜索及编译基础设施（如MLIR）中的应用，并介绍高能效全模拟多位计算架构AiDAC。

该博士论文研究资源受限安全关键系统中神经网络的不确定性与硬件非理想性问题，探索基于阻性非挥发存储器的存内计算、问题感知训练、新型拓扑与硬件协同设计，提出比例Dropout、贝叶斯神经网络、网络架构搜索及自旋电子器件方案，提升异常检测、推理精度与能效，增强可靠性和鲁棒性。