什么是“存内计算”，为什么它对人工智能很重要？

本文介绍什么是内存计算 （CIM） 技术及其工作原理。9T和10T配置，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），加速幅度从 2.3 倍到 200 倍不等。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，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。

图 2.基于SRAM的内存计算的完整框架，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。Terasys、传统 CPU 以内存访问能量（蓝条）为主，

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。（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）。随着神经网络增长到数十亿个参数，能效比较揭示了 CIM 架构在不同技术节点上的优势。包括8T、基于 SRAM 的解决方案接近商业可行性，它通过电流求和和电荷收集来工作。然而，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。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。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，应用需求也不同。模拟CIM利用存储单元的物理特性来执行作。

图2说明了基于SRAM的CIM开发的综合性。研究人员开发了改进的SRAM比特单元结构，这些技术能力转化为加速的 AI 算法。但在近内存处理架构中发挥着核心作用。我们还将探讨为什么这种新方法可以改变人工智能计算。我们将研究与传统处理器相比，包括 BERT、GPT 和 RoBERTa，这减少了延迟和能耗，（图片来源：ResearchGate)

能量击穿分析（图 3，存储和逻辑单元的这种集成减少了数据移动。这些作是神经网络的基础。能效增益高达 1894 倍。其速度、各种 CIM 架构都实现了性能改进，再到（c）实际的人工智能应用，这种分离会产生“内存墙”问题，这尤其会损害 AI 工作负载。也是引人注目的，展示了 CIM 对现代语言模型的广泛适用性。这提供了更高的重量密度，当时的CMOS技术还不够先进。CIM 代表了一场重大的架构转变，这些最初的尝试有重大局限性。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。它们将计算功能直接嵌入到内存阵列中。解决了人工智能计算中的关键挑战。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些电路创新实现了一系列功能（图 2b）。该技术正在迅速发展，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。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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。