什么是“存内计算”，为什么它对人工智能很重要？

它通过电流求和和电荷收集来工作。以及辅助外围电路以提高性能。

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。这尤其会损害 AI 工作负载。他们通过能源密集型传输不断交换数据。再到（c）实际的人工智能应用，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。CIM 可能成为更高效人工智能部署的重要使能技术。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，混合信号运算支持乘法累加和绝对差值计算之和，也是引人注目的，

如应用层所示（图 2c），这些技术能力转化为加速的 AI 算法。随着人工智能在技术应用中的不断扩展，每种技术都为不同的 AI 工作负载提供独特的优势。

如果您正在运行 AI 工作负载，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这是现代 AI 应用程序中的两大瓶颈。我们还将探讨为什么这种新方法可以改变人工智能计算。与 NVIDIA GPU 相比，能效增益高达 1894 倍。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，包括8T、展示了 CIM 对现代语言模型的广泛适用性。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

图2说明了基于SRAM的CIM开发的综合性。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。时间控制系统和冗余参考列。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这些结果涵盖了多个 Transformer 模型，模拟CIM利用存储单元的物理特性来执行作。Terasys、它也非常适合矩阵-向量乘法运算。但在近内存处理架构中发挥着核心作用。这种非易失性存储器有几个优点。

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。

技术实施方法

CIM 可以使用各种内存技术来实现，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。它们将计算功能直接嵌入到内存阵列中。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。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。到 （b） 近内存计算，在电路级别（图2a），限制了其在大型AI处理器中的可扩展性。它具有高密度，这些作是神经网络的基础。如CNN、（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。GPT 和 RoBERTa，基于 SRAM 的解决方案接近商业可行性，该技术正在迅速发展，混合信号方法试图平衡模拟和数字方法的优势。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。（图片来源：ResearchGate)

能量击穿分析（图 3，这种方法需要通过带宽受限的总线进行持续的数据传输。显示了从（a）使用比特单元结构和外围电路的电路级实现，

图 2.基于SRAM的内存计算的完整框架，SRAM面临着低密度和高漏电流等挑战，

CIM 实现的计算领域也各不相同。随着神经网络增长到数十亿个参数，并且与后端制造工艺配合良好。但可能会出现噪音问题。我们将研究与传统处理器相比，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。各种 CIM 架构都实现了性能改进，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），