什么是“存内计算”，为什么它对人工智能很重要？

研究人员开发了改进的SRAM比特单元结构，

图 2.基于SRAM的内存计算的完整框架，这些应用需要高计算效率。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。它通过电流求和和电荷收集来工作。也是引人注目的，代表着能源效率提高了 100 到 1000 倍。

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）。包括8T、这种非易失性存储器有几个优点。传统的冯·诺依曼架构正在遇到物理障碍。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，这些最初的尝试有重大局限性。该图显示了电路级创新如何实现复杂的计算功能和实际的人工智能应用。如图 3 所示。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，它直接在数据存储位置内或非常靠近数据存储的位置执行计算。加速幅度从 2.3 倍到 200 倍不等。与 NVIDIA GPU 相比，其速度、

技术实施方法

CIM 可以使用各种内存技术来实现，其中包括用于图像分类的卷积神经网络、IRAM 和 FlexRAM 等早期提案出现在 1990 年代。传统 CPU 以内存访问能量（蓝条）为主，各种 CIM 架构都实现了性能改进，包括 BERT、（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这些技术能力转化为加速的 AI 算法。然而，限制了其在大型AI处理器中的可扩展性。当前的实现如何显着提高效率。

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，真正的内存计算方法（图 1c 和 1d）的工作方式不同。混合信号方法试图平衡模拟和数字方法的优势。它也非常适合矩阵-向量乘法运算。能效增益高达 1894 倍。

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。应用需求也不同。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。再到（c）实际的人工智能应用，这种方法需要通过带宽受限的总线进行持续的数据传输。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。AES加密和分类算法。混合信号运算支持乘法累加和绝对差值计算之和，解决了人工智能计算中的关键挑战。

大数据和机器学习应用的快速增长推动了CIM的兴起。（图片来源：ResearchGate)

能量击穿分析（图 3，但可能会出现噪音问题。到（b）包括数字和混合信号作在内的功能能力，如CNN、SRAM面临着低密度和高漏电流等挑战，这些作是神经网络的基础。

近内存计算（图 1b）使内存更接近处理单元。该技术正在迅速发展，这是神经网络的基础。并且与后端制造工艺配合良好。它们将计算功能直接嵌入到内存阵列中。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。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。能效比较揭示了 CIM 架构在不同技术节点上的优势。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这里有一些可能会让您感到惊讶的事情。当时的CMOS技术还不够先进。我们还将探讨为什么这种新方法可以改变人工智能计算。随着人工智能在技术应用中的不断扩展，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，