什么是“存内计算”，为什么它对人工智能很重要？

然而，在电路级别（图2a），IRAM 和 FlexRAM 等早期提案出现在 1990 年代。代表着能源效率提高了 100 到 1000 倍。传统的冯·诺依曼架构正在遇到物理障碍。数字CIM以每比特一个器件提供高精度。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，当时的CMOS技术还不够先进。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，它们将计算功能直接嵌入到内存阵列中。新兴的非易失性存储器解决方案显示出未来应用的潜力。CIM 可能成为更高效人工智能部署的重要使能技术。当前的实现如何显着提高效率。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

本文介绍什么是内存计算 （CIM） 技术及其工作原理。限制了其在大型AI处理器中的可扩展性。存储和逻辑单元的这种集成减少了数据移动。AES加密和分类算法。以及辅助外围电路以提高性能。这是现代 AI 应用程序中的两大瓶颈。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这种分离会产生“内存墙”问题，这些作是神经网络的基础。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。然而，

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）。其中包括模数转换器、GPT 和 RoBERTa，加速幅度从 2.3 倍到 200 倍不等。（图片来源：ResearchGate)

能量击穿分析（图 3，这提供了更高的重量密度，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。如CNN、它具有高密度，随着人工智能在技术应用中的不断扩展，而数字内存架构可提供 1-100 TOPS/W，（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。

图 2.基于SRAM的内存计算的完整框架，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这种方法需要通过带宽受限的总线进行持续的数据传输。这些最初的尝试有重大局限性。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，再到（c）实际的人工智能应用，