A medida que los modelos de IA crecen en complejidad para mejorar la precisión, el hardware de soporte se enfrenta a desafíos como el consumo elevado de energía y la disminución de la velocidad de procesamiento debido a las altas demandas de rendimiento. La tecnología de cómputo en memoria (CIM) emerge como una solución prometedora. Además, los transistores de efecto de campo de nanotubos de carbono (CNFETs) muestran un potencial significativo para fortalecer la tecnología CIM. A pesar de los avances en la tecnología de semiconductores de silicio, los CNFETs se presentan como competidores formidables, ofreciendo ventajas en confiabilidad, rendimiento y eficiencia energética. Esto es particularmente relevante dadas los desafíos actuales derivados de la reducción en el tamaño de las características del silicio. Hemos propuesto una arquitectura ultra baja potencia que aprovecha los CNFETs para las Redes Neuronales Binarias (BNNs), con una celda de bits SRAM 8T de vanguardia y un modelo CNFET para optimizar el rendimiento en cálculos de IA intrincados. A través de una optimización meticulosa, ajustamos el modelo CNFET modificando el número de tubos y vectores quirales, así como optimizando las relaciones de transistores para los transistores SRAM y los diámetros de nanotubos. La simulación SPICE en tecnología CNFET de 32 nm facilita la determinación de relaciones óptimas de transistores y vectores quirales en varios diámetros de nanotubos bajo un voltaje de suministro de 0.9 V. El análisis comparativo con estructuras CIM convencionales basadas en FinFET destaca el rendimiento superior de nuestro diseño CIM basado en CNFET SRAM, con una reducción del 99% en el consumo de energía y una disminución del 91.2% en el retraso en comparación con los diseños de vanguardia.