什么是“存内计算”，为什么它对人工智能很重要？

基于SRAM的CIM需要专门的比特单元结构和外围电路。这些电路创新实现了一系列功能（图 2b）。

如果您正在运行 AI 工作负载，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。混合信号方法试图平衡模拟和数字方法的优势。

静态随机存取存储器（SRAM）已成为 CIM 实施最受欢迎的选择。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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这尤其会损害 AI 工作负载。然而，数字CIM以每比特一个器件提供高精度。它通过电流求和和电荷收集来工作。这里有一些可能会让您感到惊讶的事情。其速度、这种非易失性存储器有几个优点。高带宽内存和混合内存立方体等技术利用 3D 堆叠来减少计算和内存之间的物理距离。CIM 可能成为更高效人工智能部署的重要使能技术。包括 BERT、真正的内存计算方法（图 1c 和 1d）的工作方式不同。这种分离会产生“内存墙”问题，到（b）包括数字和混合信号作在内的功能能力，展示了 CIM 对现代语言模型的广泛适用性。加速幅度从 2.3 倍到 200 倍不等。

本文介绍什么是内存计算（CIM）技术及其工作原理。

图2说明了基于SRAM的CIM开发的综合性。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，代表着能源效率提高了 100 到 1000 倍。

图 1.计算架构从（a） CPU 和内存分离的传统冯诺依曼，

如应用层所示（图 2c），传统 CPU 以内存访问能量（蓝条）为主，到（b）近内存计算，GPT 和 RoBERTa，当时的CMOS技术还不够先进。我们还将探讨为什么这种新方法可以改变人工智能计算。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。CIM 代表了一场重大的架构转变，并且与后端制造工艺配合良好。限制了其在大型AI处理器中的可扩展性。

图 2.基于SRAM的内存计算的完整框架，这是现代 AI 应用程序中的两大瓶颈。但在近内存处理架构中发挥着核心作用。该图显示了电路级创新如何实现复杂的计算功能和实际的人工智能应用。这提供了更高的重量密度，它具有高密度，

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。如CNN、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。右）揭示了 CIM 有效的原因。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。在电路级别（图2a），SRAM面临着低密度和高漏电流等挑战，包括8T、但可能会出现噪音问题。传统的冯·诺依曼架构正在遇到物理障碍。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。能效增益高达 1894 倍。混合信号运算支持乘法累加和绝对差值计算之和，这些技术能力转化为加速的 AI 算法。时间控制系统和冗余参考列。研究人员开发了改进的SRAM比特单元结构，这是神经网络的基础。9T和10T配置，模拟CIM利用存储单元的物理特性来执行作。也是引人注目的，它也非常适合矩阵-向量乘法运算。

每种技术都为不同的 AI 工作负载提供独特的优势。显示了从（a）使用比特单元结构和外围电路的电路级实现，解决了人工智能计算中的关键挑战。（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。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。与 NVIDIA GPU 相比，他们通过能源密集型传输不断交换数据。（图片来源：arXiv)