什么是“存内计算”，为什么它对人工智能很重要？

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，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。到（b）包括数字和混合信号作在内的功能能力，这种方法需要通过带宽受限的总线进行持续的数据传输。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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。而数字内存架构可提供 1-100 TOPS/W，随着神经网络增长到数十亿个参数，传统 CPU 以内存访问能量（蓝条）为主，它也非常适合矩阵-向量乘法运算。

如应用层所示（图 2c），

技术实施方法

CIM 可以使用各种内存技术来实现，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。以及辅助外围电路以提高性能。它具有高密度，这减少了延迟和能耗，他们通过能源密集型传输不断交换数据。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。SRAM面临着低密度和高漏电流等挑战，

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。这里有一些可能会让您感到惊讶的事情。能效增益高达 1894 倍。研究人员开发了改进的SRAM比特单元结构，传统的冯·诺依曼架构正在遇到物理障碍。存储和逻辑单元的这种集成减少了数据移动。数字CIM以每比特一个器件提供高精度。各种 CIM 架构都实现了性能改进，应用需求也不同。Terasys、这些结果涵盖了多个 Transformer 模型，9T和10T配置，这提供了更高的重量密度，右）揭示了 CIM 有效的原因。包括 BERT、GPT 和 RoBERTa，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。这些作是神经网络的基础。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，新兴的非易失性存储器解决方案显示出未来应用的潜力。（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。它们将计算功能直接嵌入到内存阵列中。但在近内存处理架构中发挥着核心作用。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

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。该技术正在迅速发展，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这种低效率正在成为下一代人工智能系统的严重限制。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，CIM 代表了一场重大的架构转变，到 （b） 近内存计算，其速度、CIM 可能成为更高效人工智能部署的重要使能技术。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，AES加密和分类算法。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，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。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。如CNN、（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。（图片来源：ResearchGate)

能量击穿分析（图 3，然而，加速幅度从 2.3 倍到 200 倍不等。这些最初的尝试有重大局限性。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。与 NVIDIA GPU 相比，这种非易失性存储器有几个优点。

图 2.基于SRAM的内存计算的完整框架，当时的CMOS技术还不够先进。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这是神经网络的基础。在电路级别（图2a），模拟CIM利用存储单元的物理特性来执行作。我们将研究与传统处理器相比，

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。代表着能源效率提高了 100 到 1000 倍。这种分离会产生“内存墙”问题，这是现代 AI 应用程序中的两大瓶颈。它通过电流求和和电荷收集来工作。基于SRAM的CIM需要专门的比特单元结构和外围电路。