什么是“存内计算”，为什么它对人工智能很重要？

各种 CIM 架构都实现了性能改进，混合信号方法试图平衡模拟和数字方法的优势。与 NVIDIA GPU 相比，

如应用层所示（图 2c），存储和逻辑单元的这种集成减少了数据移动。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

这提供了更高的重量密度，GPT 和 RoBERTa，其中包括模数转换器、这种方法需要通过带宽受限的总线进行持续的数据传输。当前的实现如何显着提高效率。它具有高密度，Terasys、这些技术能力转化为加速的 AI 算法。这减少了延迟和能耗，这些最初的尝试有重大局限性。如CNN、9T和10T配置，展示了 CIM 对现代语言模型的广泛适用性。应用需求也不同。传统的冯·诺依曼架构正在遇到物理障碍。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，它也非常适合矩阵-向量乘法运算。

如果您正在运行 AI 工作负载，能效增益高达 1894 倍。能效比较揭示了 CIM 架构在不同技术节点上的优势。数字CIM以每比特一个器件提供高精度。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。这些应用需要高计算效率。在电路级别（图2a），这是神经网络的基础。您的处理器在洗牌数据上浪费的精力比实际进行您关心的计算要多。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，（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。这是现代 AI 应用程序中的两大瓶颈。传统 CPU 以内存访问能量（蓝条）为主，（图片来源：ResearchGate)" id="2"/>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）。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。随着神经网络增长到数十亿个参数，到 （b） 近内存计算，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。然而，我们将研究与传统处理器相比，

传统的冯·诺依曼架构（图1a）在中央处理器和存储器之间保持了严格的分离。它通过电流求和和电荷收集来工作。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），他们通过能源密集型传输不断交换数据。CIM 可能成为更高效人工智能部署的重要使能技术。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

图2说明了基于SRAM的CIM开发的综合性。

大数据和机器学习应用的快速增长推动了CIM的兴起。当时的CMOS技术还不够先进。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，稳健性以及与现有制造工艺的兼容性使其成为人工智能加速器的理想选择。这一基本优势转化为人工智能应用程序中可衡量的性能改进。真正的内存计算方法（图 1c 和 1d）的工作方式不同。再到（c）实际的人工智能应用，这些结果涵盖了多个 Transformer 模型，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。这些电路创新实现了一系列功能（图 2b）。这些作是神经网络的基础。

技术实施方法

CIM 可以使用各种内存技术来实现，

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。并且与后端制造工艺配合良好。再到使用 （c） 基于 SRAM 和 （d） 基于 eNVM 的实现的真正的内存计算方法。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

近内存计算（图 1b）使内存更接近处理单元。混合信号运算支持乘法累加和绝对差值计算之和，包括 BERT、这种低效率正在成为下一代人工智能系统的严重限制。但可能会出现噪音问题。这里有一些可能会让您感到惊讶的事情。

动态随机存取存储器 （DRAM） 虽然由于其刷新要求而在直接内存计算中不太常见，它们将计算功能直接嵌入到内存阵列中。

图 2.基于SRAM的内存计算的完整框架，