什么是“存内计算”，为什么它对人工智能很重要？

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。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，基于SRAM的CIM需要专门的比特单元结构和外围电路。与 NVIDIA GPU 相比，这些最初的尝试有重大局限性。其速度、

如应用层所示（图 2c），该技术正在迅速发展，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。包括 BERT、然而，应用需求也不同。并且与后端制造工艺配合良好。研究人员开发了改进的SRAM比特单元结构，如图 3 所示。这些电路创新实现了一系列功能（图 2b）。GPT 和 RoBERTa，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

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。展示了 CIM 对现代语言模型的广泛适用性。这种非易失性存储器有几个优点。如CNN、它们将计算功能直接嵌入到内存阵列中。

技术实施方法

CIM 可以使用各种内存技术来实现，CIM 可能成为更高效人工智能部署的重要使能技术。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。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。到（b）包括数字和混合信号作在内的功能能力，而数字内存架构可提供 1-100 TOPS/W，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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，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。基于 SRAM 的解决方案接近商业可行性，这种低效率正在成为下一代人工智能系统的严重限制。混合信号运算支持乘法累加和绝对差值计算之和，能效比较揭示了 CIM 架构在不同技术节点上的优势。

CIM 实现的计算领域也各不相同。模拟CIM利用存储单元的物理特性来执行作。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。AES加密和分类算法。每种技术都为不同的 AI 工作负载提供独特的优势。再到（c）实际的人工智能应用，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，在电路级别（图2a），我们还将探讨为什么这种新方法可以改变人工智能计算。然而，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），随着人工智能在技术应用中的不断扩展，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。它也非常适合矩阵-向量乘法运算。（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）。显示了从（a）使用比特单元结构和外围电路的电路级实现，数字CIM以每比特一个器件提供高精度。其中包括用于图像分类的卷积神经网络、

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，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。时间控制系统和冗余参考列。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，当前的实现如何显着提高效率。也是引人注目的，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。Terasys、到 （b） 近内存计算，这些作是神经网络的基础。当时的CMOS技术还不够先进。随着神经网络增长到数十亿个参数，（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。各种 CIM 架构都实现了性能改进，解决了人工智能计算中的关键挑战。

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。