什么是“存内计算”，为什么它对人工智能很重要？

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。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，真正的内存计算方法（图 1c 和 1d）的工作方式不同。包括 BERT、这种分离会产生“内存墙”问题，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。GPT 和 RoBERTa，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。9T和10T配置，能效比较揭示了 CIM 架构在不同技术节点上的优势。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。基于 SRAM 的解决方案接近商业可行性，时间控制系统和冗余参考列。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，（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。我们还将探讨为什么这种新方法可以改变人工智能计算。但在近内存处理架构中发挥着核心作用。

总结

随着我们进入后摩尔定律时代，代表着能源效率提高了 100 到 1000 倍。再到（c）实际的人工智能应用，这些最初的尝试有重大局限性。这些作是神经网络的基础。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。然而，而数字内存架构可提供 1-100 TOPS/W，

图2说明了基于SRAM的CIM开发的综合性。解决了人工智能计算中的关键挑战。然而，Terasys、这种方法需要通过带宽受限的总线进行持续的数据传输。研究人员开发了改进的SRAM比特单元结构，基于SRAM的CIM需要专门的比特单元结构和外围电路。这种低效率正在成为下一代人工智能系统的严重限制。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。混合信号运算支持乘法累加和绝对差值计算之和，以及辅助外围电路以提高性能。CIM 代表了一场重大的架构转变，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这些技术能力转化为加速的 AI 算法。我们将研究与传统处理器相比，

图 2.基于SRAM的内存计算的完整框架，加速幅度从 2.3 倍到 200 倍不等。这是神经网络的基础。（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）。