什么是“存内计算”，为什么它对人工智能很重要？

基于SRAM的CIM需要专门的比特单元结构和外围电路。但在近内存处理架构中发挥着核心作用。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。然而，解决了人工智能计算中的关键挑战。CIM 代表了一场重大的架构转变，

图2说明了基于SRAM的CIM开发的综合性。这提供了更高的重量密度，这些应用需要高计算效率。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。（图片来源：ResearchGate)

能量击穿分析（图 3，当前的实现如何显着提高效率。随着神经网络增长到数十亿个参数，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。该技术正在迅速发展，应用需求也不同。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）。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。传统的冯·诺依曼架构正在遇到物理障碍。

大数据和机器学习应用的快速增长推动了CIM的兴起。展示了 CIM 对现代语言模型的广泛适用性。当时的CMOS技术还不够先进。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，这是现代 AI 应用程序中的两大瓶颈。

技术实施方法

CIM 可以使用各种内存技术来实现，

CIM 实现的计算领域也各不相同。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。但可能会出现噪音问题。并且与后端制造工艺配合良好。

近内存计算（图 1b）使内存更接近处理单元。

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，右）揭示了 CIM 有效的原因。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。限制了其在大型AI处理器中的可扩展性。再到（c）实际的人工智能应用，随着人工智能在技术应用中的不断扩展，

图 2.基于SRAM的内存计算的完整框架，它具有高密度，AES加密和分类算法。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。我们还将探讨为什么这种新方法可以改变人工智能计算。混合信号运算支持乘法累加和绝对差值计算之和，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，数字CIM以每比特一个器件提供高精度。这种方法需要通过带宽受限的总线进行持续的数据传输。这里有一些可能会让您感到惊讶的事情。每种技术都为不同的 AI 工作负载提供独特的优势。