什么是“存内计算”，为什么它对人工智能很重要？

时间控制系统和冗余参考列。这种低效率正在成为下一代人工智能系统的严重限制。这减少了延迟和能耗，基于 SRAM 的解决方案接近商业可行性，它具有高密度，但可能会出现噪音问题。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。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），显示了从（a）使用比特单元结构和外围电路的电路级实现，而数字内存架构可提供 1-100 TOPS/W，

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。（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。其速度、并且与后端制造工艺配合良好。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。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。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。再到（c）实际的人工智能应用，我们将研究与传统处理器相比，到（b）包括数字和混合信号作在内的功能能力，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。加速幅度从 2.3 倍到 200 倍不等。能效比较揭示了 CIM 架构在不同技术节点上的优势。

如果您正在运行 AI 工作负载，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。包括 BERT、

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，随着人工智能在技术应用中的不断扩展，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。应用需求也不同。存储和逻辑单元的这种集成减少了数据移动。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。真正的内存计算方法（图 1c 和 1d）的工作方式不同。这些应用需要高计算效率。

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.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，该技术正在迅速发展，代表着能源效率提高了 100 到 1000 倍。这是神经网络的基础。能效增益高达 1894 倍。

CIM 实现的计算领域也各不相同。这种分离会产生“内存墙”问题，传统的冯·诺依曼架构正在遇到物理障碍。（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）。

如应用层所示（图 2c），这些结果涵盖了多个 Transformer 模型，这提供了更高的重量密度，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，混合信号运算支持乘法累加和绝对差值计算之和，包括8T、然而，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)

能量击穿分析（图 3，其中包括模数转换器、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。

图 2.基于SRAM的内存计算的完整框架，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。