Monte Carlo tree search (MCTS)는 인공지능 (AI) 의사결정을 가능하게 하지만, 기존 프로세서에서는 55-300 W의 전력을 필요로 하여 에지 (edge) 배포를 제한합니다. 인메모리 컴퓨팅 (In-memory computing, IMC)은 일반적인 워크로드에서는 에너지 효율적이지만, 불규칙한 다단계 (multi-phase) 알고리즘과는 호환되지 않는 것으로 간주되어 왔습니다. 우리는 각 알고리즘 단계를 하드웨어 네이티브 IMC 프리미티브 (primitive)로 재구성하는 단계-프리미티브 분해 (phase-to-primitive decomposition)를 소개합니다. MCTS에 적용하면, 선택 (selection), 확장 (expansion), 롤아웃 (rollout), 역전파 (backpropagation)가 각각 내용 주소 지정 메모리 (content-addressable memory), 조합 논리 (combinational logic), 저항성 랜덤 액세스 메모리 (resistive random-access memory, RRAM) 크로스바, 그리고 정적 랜덤 액세스 메모리 (static random-access memory, SRAM)로 매핑되어 검색 과정을 칩 내부에서 유지합니다. 제작된 RRAM 어레이 파라미터를 사용한 22 nm 공정에서, IMC-MCTS는 9x9 바둑(Go)에 대해 약 60 mW를 소비하며, 이는 중앙 처리 장치 (central processing unit, CPU) 대비 96배, H100 그래픽 처리 장치 (graphics processing unit, GPU) 대비 65배에서 2,059배의 에너지 효율을 달성합니다. 이는 오픈 소스 바둑 엔진 (Pachi-UCT 및 Michi-C)의 샘플 크기 불확실성 범위 내에서 유럽 바둑 연맹 (European Go Federation) 레이팅에 도달합니다. 동일한 기판은 4개의 AI 도메인에 걸쳐 8개의 애플리케이션을 실행합니다.