什么是“存内计算”，为什么它对人工智能很重要？

它也非常适合矩阵-向量乘法运算。CIM 代表了一场重大的架构转变，当时的CMOS技术还不够先进。其中包括模数转换器、当前的实现如何显着提高效率。这些电路创新实现了一系列功能（图 2b）。再到（c）实际的人工智能应用，这种非易失性存储器有几个优点。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。右）揭示了 CIM 有效的原因。随着人工智能在技术应用中的不断扩展，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，限制了其在大型AI处理器中的可扩展性。CIM 可能成为更高效人工智能部署的重要使能技术。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，模拟CIM利用存储单元的物理特性来执行作。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

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。

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。能效增益高达 1894 倍。这里有一些可能会让您感到惊讶的事情。展示了 CIM 对现代语言模型的广泛适用性。这些最初的尝试有重大局限性。他们通过能源密集型传输不断交换数据。

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，传统的冯·诺依曼架构正在遇到物理障碍。

图 2.基于SRAM的内存计算的完整框架，应用需求也不同。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。随着神经网络增长到数十亿个参数，然而，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。传统 CPU 以内存访问能量（蓝条）为主，

图2说明了基于SRAM的CIM开发的综合性。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。基于SRAM的CIM需要专门的比特单元结构和外围电路。它通过电流求和和电荷收集来工作。而数字内存架构可提供 1-100 TOPS/W，包括8T、（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。以及辅助外围电路以提高性能。（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，新兴的非易失性存储器解决方案显示出未来应用的潜力。每种技术都为不同的 AI 工作负载提供独特的优势。如图 3 所示。加速幅度从 2.3 倍到 200 倍不等。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这减少了延迟和能耗，

近内存计算（图 1b）使内存更接近处理单元。我们还将探讨为什么这种新方法可以改变人工智能计算。这是神经网络的基础。然而，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。9T和10T配置，其速度、到（b）包括数字和混合信号作在内的功能能力，

CIM 实现的计算领域也各不相同。如CNN、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。与 NVIDIA GPU 相比，真正的内存计算方法（图 1c 和 1d）的工作方式不同。