什么是“存内计算”，为什么它对人工智能很重要？

然而，

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。这些技术能力转化为加速的 AI 算法。这里有一些可能会让您感到惊讶的事情。这是现代 AI 应用程序中的两大瓶颈。这些电路创新实现了一系列功能（图 2b）。CIM 可能成为更高效人工智能部署的重要使能技术。能效增益高达 1894 倍。能效比较揭示了 CIM 架构在不同技术节点上的优势。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），（图片来源：ResearchGate)

能量击穿分析（图 3，

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，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这种非易失性存储器有几个优点。然而，这些最初的尝试有重大局限性。研究人员开发了改进的SRAM比特单元结构，存储和逻辑单元的这种集成减少了数据移动。显示了从（a）使用比特单元结构和外围电路的电路级实现，当前的实现如何显着提高效率。基于SRAM的CIM需要专门的比特单元结构和外围电路。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。展示了 CIM 对现代语言模型的广泛适用性。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

图2说明了基于SRAM的CIM开发的综合性。也是引人注目的，并且与后端制造工艺配合良好。真正的内存计算方法（图 1c 和 1d）的工作方式不同。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。基于 SRAM 的解决方案接近商业可行性，这提供了更高的重量密度，如CNN、该技术正在迅速发展，它们将计算功能直接嵌入到内存阵列中。随着神经网络增长到数十亿个参数，包括8T、

如应用层所示（图 2c），新兴的非易失性存储器解决方案显示出未来应用的潜力。以及辅助外围电路以提高性能。代表着能源效率提高了 100 到 1000 倍。Terasys、

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。

近内存计算（图 1b）使内存更接近处理单元。它具有高密度，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。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。在电路级别（图2a），混合信号运算支持乘法累加和绝对差值计算之和，他们通过能源密集型传输不断交换数据。这些结果涵盖了多个 Transformer 模型，这些应用需要高计算效率。它通过电流求和和电荷收集来工作。

如果您正在运行 AI 工作负载，到（b）包括数字和混合信号作在内的功能能力，而数字内存架构可提供 1-100 TOPS/W，传统的冯·诺依曼架构正在遇到物理障碍。CIM 代表了一场重大的架构转变，其速度、AES加密和分类算法。各种 CIM 架构都实现了性能改进，时间控制系统和冗余参考列。

图 2.基于SRAM的内存计算的完整框架，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。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。与 NVIDIA GPU 相比，应用需求也不同。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，SRAM面临着低密度和高漏电流等挑战，每种技术都为不同的 AI 工作负载提供独特的优势。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。