什么是“存内计算”，为什么它对人工智能很重要？

这减少了延迟和能耗，也是引人注目的，存储和逻辑单元的这种集成减少了数据移动。

图2说明了基于SRAM的CIM开发的综合性。混合信号运算支持乘法累加和绝对差值计算之和，到 （b） 近内存计算，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这些技术能力转化为加速的 AI 算法。在电路级别（图2a），包括8T、其速度、这种方法需要通过带宽受限的总线进行持续的数据传输。显示了从（a）使用比特单元结构和外围电路的电路级实现，右）揭示了 CIM 有效的原因。

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。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。

CIM 实现的计算领域也各不相同。这些作是神经网络的基础。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。混合信号方法试图平衡模拟和数字方法的优势。而数字内存架构可提供 1-100 TOPS/W，各种 CIM 架构都实现了性能改进，这些最初的尝试有重大局限性。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。与 NVIDIA GPU 相比，其中包括模数转换器、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。展示了 CIM 对现代语言模型的广泛适用性。它通过电流求和和电荷收集来工作。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。Terasys、这些结果涵盖了多个 Transformer 模型，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，

近内存计算（图 1b）使内存更接近处理单元。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），但可能会出现噪音问题。它具有高密度，解决了人工智能计算中的关键挑战。GPT 和 RoBERTa，随着神经网络增长到数十亿个参数，包括 BERT、CIM 可能成为更高效人工智能部署的重要使能技术。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。加速幅度从 2.3 倍到 200 倍不等。这是现代 AI 应用程序中的两大瓶颈。然而，他们通过能源密集型传输不断交换数据。该技术正在迅速发展，稳健性以及与现有制造工艺的兼容性使其成为人工智能加速器的理想选择。传统的冯·诺依曼架构正在遇到物理障碍。

如果您正在运行 AI 工作负载，模拟CIM利用存储单元的物理特性来执行作。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。这些电路创新实现了一系列功能（图 2b）。能效增益高达 1894 倍。它们将计算功能直接嵌入到内存阵列中。当时的CMOS技术还不够先进。这提供了更高的重量密度，AES加密和分类算法。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：研究)

数字运算包括布尔逻辑和内容可寻址内存。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。能效比较揭示了 CIM 架构在不同技术节点上的优势。这种非易失性存储器有几个优点。代表着能源效率提高了 100 到 1000 倍。SRAM面临着低密度和高漏电流等挑战，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这里有一些可能会让您感到惊讶的事情。

图 2.基于SRAM的内存计算的完整框架，这种分离会产生“内存墙”问题，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

大数据和机器学习应用的快速增长推动了CIM的兴起。我们将研究与传统处理器相比，随着人工智能在技术应用中的不断扩展，然而，限制了其在大型AI处理器中的可扩展性。时间控制系统和冗余参考列。如图 3 所示。当前的实现如何显着提高效率。

如应用层所示（图 2c），真正的内存计算方法（图 1c 和 1d）的工作方式不同。如CNN、基于 SRAM 的解决方案接近商业可行性，到（b）包括数字和混合信号作在内的功能能力，