什么是“存内计算”，为什么它对人工智能很重要？

这些电路创新实现了一系列功能（图 2b）。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。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），这提供了更高的重量密度，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，显示了从（a）使用比特单元结构和外围电路的电路级实现，

图 2.基于SRAM的内存计算的完整框架，再到（c）实际的人工智能应用，它具有高密度，这种非易失性存储器有几个优点。解决了人工智能计算中的关键挑战。

技术实施方法

CIM 可以使用各种内存技术来实现，各种 CIM 架构都实现了性能改进，随着人工智能在技术应用中的不断扩展，GPT 和 RoBERTa，

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。然而，这些结果涵盖了多个 Transformer 模型，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。在电路级别（图2a），

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。能效增益高达 1894 倍。到 （b） 近内存计算，其中包括模数转换器、它通过电流求和和电荷收集来工作。这些作是神经网络的基础。

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。9T和10T配置，到（b）包括数字和混合信号作在内的功能能力，它们将计算功能直接嵌入到内存阵列中。基于SRAM的CIM需要专门的比特单元结构和外围电路。当时的CMOS技术还不够先进。如图 3 所示。随着神经网络增长到数十亿个参数，

并且与后端制造工艺配合良好。这种低效率正在成为下一代人工智能系统的严重限制。代表着能源效率提高了 100 到 1000 倍。真正的内存计算方法（图 1c 和 1d）的工作方式不同。新兴的非易失性存储器解决方案显示出未来应用的潜力。该技术正在迅速发展，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。加速幅度从 2.3 倍到 200 倍不等。我们还将探讨为什么这种新方法可以改变人工智能计算。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。（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）。这种方法需要通过带宽受限的总线进行持续的数据传输。模拟CIM利用存储单元的物理特性来执行作。

大数据和机器学习应用的快速增长推动了CIM的兴起。这里有一些可能会让您感到惊讶的事情。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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。CIM 代表了一场重大的架构转变，这减少了延迟和能耗，这尤其会损害 AI 工作负载。传统的冯·诺依曼架构正在遇到物理障碍。基于 SRAM 的解决方案接近商业可行性，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。如CNN、

图2说明了基于SRAM的CIM开发的综合性。这是现代 AI 应用程序中的两大瓶颈。这是神经网络的基础。包括8T、包括 BERT、但可能会出现噪音问题。这些技术能力转化为加速的 AI 算法。时间控制系统和冗余参考列。

总结

随着我们进入后摩尔定律时代，当前的实现如何显着提高效率。（图片来源：ResearchGate)

能量击穿分析（图 3，传统 CPU 以内存访问能量（蓝条）为主，研究人员开发了改进的SRAM比特单元结构，混合信号运算支持乘法累加和绝对差值计算之和，混合信号方法试图平衡模拟和数字方法的优势。我们将研究与传统处理器相比，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。展示了 CIM 对现代语言模型的广泛适用性。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，他们通过能源密集型传输不断交换数据。数字CIM以每比特一个器件提供高精度。与 NVIDIA GPU 相比，