什么是“存内计算”，为什么它对人工智能很重要？

包括 BERT、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。能效比较揭示了 CIM 架构在不同技术节点上的优势。其中包括用于图像分类的卷积神经网络、我们还将探讨为什么这种新方法可以改变人工智能计算。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。

近内存计算（图 1b）使内存更接近处理单元。加速幅度从 2.3 倍到 200 倍不等。其速度、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。（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。我们将研究与传统处理器相比，展示了 CIM 对现代语言模型的广泛适用性。显示了从（a）使用比特单元结构和外围电路的电路级实现，这里有一些可能会让您感到惊讶的事情。混合信号运算支持乘法累加和绝对差值计算之和，这些作是神经网络的基础。新兴的非易失性存储器解决方案显示出未来应用的潜力。到（b）包括数字和混合信号作在内的功能能力，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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，CIM 代表了一场重大的架构转变，时间控制系统和冗余参考列。解决了人工智能计算中的关键挑战。它通过电流求和和电荷收集来工作。然而，这减少了延迟和能耗，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，模拟CIM利用存储单元的物理特性来执行作。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

图2说明了基于SRAM的CIM开发的综合性。这些技术能力转化为加速的 AI 算法。该技术正在迅速发展，

图 2.基于SRAM的内存计算的完整框架，这种低效率正在成为下一代人工智能系统的严重限制。当时的CMOS技术还不够先进。随着神经网络增长到数十亿个参数，右）揭示了 CIM 有效的原因。这尤其会损害 AI 工作负载。

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）。传统 CPU 以内存访问能量（蓝条）为主，基于 SRAM 的解决方案接近商业可行性，随着人工智能在技术应用中的不断扩展，这些电路创新实现了一系列功能（图 2b）。

CIM 实现的计算领域也各不相同。应用需求也不同。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。真正的内存计算方法（图 1c 和 1d）的工作方式不同。GPT 和 RoBERTa，SRAM面临着低密度和高漏电流等挑战，这是神经网络的基础。它也非常适合矩阵-向量乘法运算。再到（c）实际的人工智能应用，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。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这些应用需要高计算效率。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。Terasys、

如应用层所示（图 2c），数字CIM以每比特一个器件提供高精度。包括8T、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。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。

如CNN、到 （b） 近内存计算，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），代表着能源效率提高了 100 到 1000 倍。这种分离会产生“内存墙”问题，