这篇文档属于类型a，即报告了一项单一原创研究的学术论文。以下是针对该研究的学术报告：
研究作者及机构
本文的主要作者包括Minxuan Zhou、Yujin Nam、Pranav Gangwar、Weihong Xu、Arpan Dutta、Chris Wilkerson、Rosario Cammarota、Saransh Gupta和Tajana Rosing，他们来自不同的研究机构，其中Tajana Rosing是IEEE会士。该研究发表在《IEEE Transactions on Emerging Topics in Computing》期刊上，于2025年正式出版。
学术背景
本研究的主要科学领域是密码学（cryptography）和计算机体系结构（computer architecture），特别是全同态加密（Fully Homomorphic Encryption, FHE）和内存计算（Processing In-Memory, PIM）技术。全同态加密是一种允许在加密数据上直接进行计算的技术，无需解密即可得到结果，非常适合用于安全计算外包（secure computation outsourcing）。然而，FHE的计算效率极低，通常比明文数据计算慢6个数量级，主要原因是加密后数据规模和计算复杂度的爆炸性增长。为了提高FHE的实际应用性能，研究人员提出了多种定制硬件加速器，但这些加速器的性能仍然受限于内存带宽，即使使用昂贵的片上缓存也无法解决这一问题。内存计算（PIM）技术通过利用内存内部的高带宽来加速数据密集型任务，但现有的PIM加速器无法有效支持FHE的复杂计算和数据移动操作。为了解决这些挑战，本文提出了一种名为FHEMem的新型PIM架构，用于高效加速FHE计算。
研究目标
本研究的目标是设计并实现一种基于PIM架构的FHE加速器，通过优化内存内部带宽和计算逻辑，显著提高FHE计算的吞吐量和能效。具体目标包括：1）提出一种新颖的PIM硬件架构，充分利用内存内部带宽；2）开发一种端到端的优化数据处理流程，包括自动映射框架，以最大化硬件利用率；3）通过实验评估FHEMem的性能，并与现有最先进的FHE加速器进行对比。
研究流程
1. 硬件架构设计
FHEMem基于高带宽内存（High-Bandwidth Memory, HBM）架构，提出了一种近矩阵处理（Near-Mat Processing）架构。该架构在DRAM的矩阵（mat）附近集成了计算逻辑和细粒度数据移动逻辑，利用现有的内存内部数据链路，支持各种复杂的FHE操作。具体来说，FHEMem在DRAM的每个矩阵附近添加了近矩阵单元（Near-Mat Unit, NMU），用于执行FHE计算。NMU通过本地数据线（Local Data Lines, LDLs）与矩阵连接，并通过主数据线（Master Data Lines, MDLs）和水平数据线（Horizontal Data Lines, HDLs）实现矩阵间的数据移动。
数据处理流程优化
为了最大化FHEMem的硬件利用率，研究团队提出了一种自动映射框架，用于将FHE程序映射到硬件上，并生成高效的数据布局和流水线调度。该框架通过优化数据加载、计算和数据移动的流程，减少了数据移动开销，并充分利用内存进行高吞吐量计算。
实验评估
研究团队通过实验评估了FHEMem的性能，并与现有最先进的FHE加速器进行了对比。实验使用了多种FHE应用，包括逻辑回归（Logistic Regression）、ResNet-20神经网络推理、排序（Sorting）和引导（Bootstrapping）等。实验结果表明，FHEMem在FHE应用上实现了至少4.0倍的加速，并在能效-延迟-面积（Energy-Delay-Area, EDA）效率上提高了6.9倍。
主要结果
1. 性能提升
FHEMem在多种FHE应用上均表现出显著的性能提升。例如，在引导操作上，FHEMem比现有最先进的FHE加速器（如Sharp）快4.4倍；在逻辑回归任务上，FHEMem比Sharp快2.2倍；在ResNet-20推理任务上，FHEMem比Sharp快5.4倍。
能效优化
FHEMem在能效方面也有显著提升。实验结果表明，FHEMem的能效-延迟积（Energy-Delay Product, EDP）比Sharp提高了8.2倍，能效-延迟-面积积（Energy-Delay-Area Product, EDAP）提高了6.9倍。
内存带宽利用率
FHEMem通过优化内存内部带宽利用率，显著减少了数据移动开销。实验结果表明，FHEMem在数论变换（Number Theoretic Transform, NTT）操作上的平均带宽为136 TB/s，比Sharp的72 TB/s高出1.9倍。
结论
本研究提出的FHEMem架构通过结合PIM技术和全同态加密，显著提高了FHE计算的性能和能效。FHEMem的硬件创新包括近矩阵处理单元和优化的数据移动逻辑，而其软件创新则包括自动映射框架和端到端的数据处理流程优化。实验结果表明，FHEMem在多种FHE应用上均表现出显著的性能提升和能效优化，为实际应用中的FHE加速提供了新的解决方案。
研究亮点
1. 硬件创新
FHEMem提出了一种新颖的近矩阵处理架构，充分利用了内存内部带宽，并通过优化数据移动逻辑支持复杂的FHE操作。
软件创新
研究团队开发了一种自动映射框架，能够将FHE程序高效地映射到硬件上，并生成优化的数据布局和流水线调度。
性能突破
FHEMem在多种FHE应用上实现了显著的性能提升和能效优化，特别是在引导操作和神经网络推理任务上表现尤为突出。
其他有价值的内容
本文还详细讨论了FHEMem的实用性，指出其硬件设计考虑了成本效益，避免了高成本的DRAM组件修改。此外，FHEMem还支持多种FHE方案，如CKKS、BGV和TFHE，展示了其在广泛应用场景中的潜力。
这篇报告详细介绍了FHEMem的研究背景、目标、流程、结果和结论，并突出了其硬件和软件创新，为密码学和计算机体系结构领域的研究人员提供了有价值的参考。