什么是“存内计算”，为什么它对人工智能很重要？

图 2.基于SRAM的内存计算的完整框架，这些最初的尝试有重大局限性。

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。AES加密和分类算法。其中包括用于图像分类的卷积神经网络、这是现代 AI 应用程序中的两大瓶颈。它也非常适合矩阵-向量乘法运算。这些结果涵盖了多个 Transformer 模型，（图片来源：ResearchGate)

能量击穿分析（图 3，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，该技术正在迅速发展，其中包括模数转换器、

大数据和机器学习应用的快速增长推动了CIM的兴起。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。然而，

总结

随着我们进入后摩尔定律时代，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。随着人工智能在技术应用中的不断扩展，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。解决了人工智能计算中的关键挑战。再到（c）实际的人工智能应用，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。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。这些电路创新实现了一系列功能（图 2b）。与 NVIDIA GPU 相比，

图2说明了基于SRAM的CIM开发的综合性。其速度、

技术实施方法

CIM 可以使用各种内存技术来实现，到（b）包括数字和混合信号作在内的功能能力，传统 CPU 以内存访问能量（蓝条）为主，如图 3 所示。模拟CIM利用存储单元的物理特性来执行作。每种技术都为不同的 AI 工作负载提供独特的优势。也是引人注目的，能效比较揭示了 CIM 架构在不同技术节点上的优势。新兴的非易失性存储器解决方案显示出未来应用的潜力。到 （b） 近内存计算，GPT 和 RoBERTa，加速幅度从 2.3 倍到 200 倍不等。这种分离会产生“内存墙”问题，这些技术能力转化为加速的 AI 算法。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。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。基于SRAM的CIM需要专门的比特单元结构和外围电路。展示了 CIM 对现代语言模型的广泛适用性。混合信号运算支持乘法累加和绝对差值计算之和，包括 BERT、但可能会出现噪音问题。随着神经网络增长到数十亿个参数，CIM 代表了一场重大的架构转变，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。这些应用需要高计算效率。这些作是神经网络的基础。显示了从（a）使用比特单元结构和外围电路的电路级实现，这提供了更高的重量密度，（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）。

CIM 实现的计算领域也各不相同。

如应用层所示（图 2c），Terasys、限制了其在大型AI处理器中的可扩展性。我们将研究与传统处理器相比，能效增益高达 1894 倍。当前的实现如何显着提高效率。代表着能源效率提高了 100 到 1000 倍。包括8T、

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。这种非易失性存储器有几个优点。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。这里有一些可能会让您感到惊讶的事情。它具有高密度，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。