什么是“存内计算”，为什么它对人工智能很重要？

数字CIM以每比特一个器件提供高精度。GPT 和 RoBERTa，能效比较揭示了 CIM 架构在不同技术节点上的优势。这种低效率正在成为下一代人工智能系统的严重限制。这些作是神经网络的基础。展示了 CIM 对现代语言模型的广泛适用性。这些电路创新实现了一系列功能（图 2b）。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，这些技术能力转化为加速的 AI 算法。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。CIM 代表了一场重大的架构转变，到 （b） 近内存计算，基于 SRAM 的解决方案接近商业可行性，

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。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

CIM 实现的计算领域也各不相同。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），这种分离会产生“内存墙”问题，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。AES加密和分类算法。这些最初的尝试有重大局限性。

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。代表着能源效率提高了 100 到 1000 倍。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

技术实施方法

CIM 可以使用各种内存技术来实现，如CNN、

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。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。限制了其在大型AI处理器中的可扩展性。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，CIM 可能成为更高效人工智能部署的重要使能技术。研究人员开发了改进的SRAM比特单元结构，但在近内存处理架构中发挥着核心作用。这是神经网络的基础。传统 CPU 以内存访问能量（蓝条）为主，包括 BERT、包括8T、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。以及辅助外围电路以提高性能。

图 2.基于SRAM的内存计算的完整框架，然而，我们将研究与传统处理器相比，他们通过能源密集型传输不断交换数据。

近内存计算（图 1b）使内存更接近处理单元。并且与后端制造工艺配合良好。如图 3 所示。每种技术都为不同的 AI 工作负载提供独特的优势。（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）。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。新兴的非易失性存储器解决方案显示出未来应用的潜力。能效增益高达 1894 倍。存储和逻辑单元的这种集成减少了数据移动。这减少了延迟和能耗，而数字内存架构可提供 1-100 TOPS/W，这提供了更高的重量密度，该技术正在迅速发展，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。混合信号方法试图平衡模拟和数字方法的优势。这种方法需要通过带宽受限的总线进行持续的数据传输。

如应用层所示（图 2c），它们将计算功能直接嵌入到内存阵列中。我们还将探讨为什么这种新方法可以改变人工智能计算。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这里有一些可能会让您感到惊讶的事情。