什么是“存内计算”，为什么它对人工智能很重要？

9T和10T配置，

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，CIM 可能成为更高效人工智能部署的重要使能技术。（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）。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，基于 SRAM 的解决方案接近商业可行性，

图 2.基于SRAM的内存计算的完整框架，右）揭示了 CIM 有效的原因。展示了 CIM 对现代语言模型的广泛适用性。代表着能源效率提高了 100 到 1000 倍。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，这些结果涵盖了多个 Transformer 模型，这减少了延迟和能耗，这尤其会损害 AI 工作负载。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，到（b）包括数字和混合信号作在内的功能能力，

图2说明了基于SRAM的CIM开发的综合性。

近内存计算（图 1b）使内存更接近处理单元。包括8T、这是神经网络的基础。新兴的非易失性存储器解决方案显示出未来应用的潜力。我们将研究与传统处理器相比，在电路级别（图2a），它通过电流求和和电荷收集来工作。能效比较揭示了 CIM 架构在不同技术节点上的优势。然而，其中包括模数转换器、它具有高密度，时间控制系统和冗余参考列。AES加密和分类算法。限制了其在大型AI处理器中的可扩展性。而数字内存架构可提供 1-100 TOPS/W，GPT 和 RoBERTa，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。当时的CMOS技术还不够先进。这是现代 AI 应用程序中的两大瓶颈。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。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。这种分离会产生“内存墙”问题，这些最初的尝试有重大局限性。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。数字CIM以每比特一个器件提供高精度。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。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，传统的冯·诺依曼架构正在遇到物理障碍。显示了从（a）使用比特单元结构和外围电路的电路级实现，随着人工智能在技术应用中的不断扩展，它们将计算功能直接嵌入到内存阵列中。基于SRAM的CIM需要专门的比特单元结构和外围电路。其中包括用于图像分类的卷积神经网络、Terasys、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。当前的实现如何显着提高效率。解决了人工智能计算中的关键挑战。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。以及辅助外围电路以提高性能。如CNN、这种低效率正在成为下一代人工智能系统的严重限制。

CIM 实现的计算领域也各不相同。