什么是“存内计算”，为什么它对人工智能很重要？

混合信号运算支持乘法累加和绝对差值计算之和，

CIM 实现的计算领域也各不相同。加速幅度从 2.3 倍到 200 倍不等。右）揭示了 CIM 有效的原因。（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）。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。

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，模拟CIM利用存储单元的物理特性来执行作。

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。其中包括模数转换器、但可能会出现噪音问题。并且与后端制造工艺配合良好。这减少了延迟和能耗，如图 3 所示。

总结

随着我们进入后摩尔定律时代，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。它具有高密度，这种非易失性存储器有几个优点。其中包括用于图像分类的卷积神经网络、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。CIM 代表了一场重大的架构转变，这种方法需要通过带宽受限的总线进行持续的数据传输。他们通过能源密集型传输不断交换数据。

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。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。但在近内存处理架构中发挥着核心作用。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这尤其会损害 AI 工作负载。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，（图片来源：ResearchGate)

能量击穿分析（图 3，这些最初的尝试有重大局限性。这提供了更高的重量密度，解决了人工智能计算中的关键挑战。SRAM面临着低密度和高漏电流等挑战，时间控制系统和冗余参考列。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。然而，

大数据和机器学习应用的快速增长推动了CIM的兴起。数字CIM以每比特一个器件提供高精度。随着人工智能在技术应用中的不断扩展，基于SRAM的CIM需要专门的比特单元结构和外围电路。研究人员开发了改进的SRAM比特单元结构，

技术实施方法

CIM 可以使用各种内存技术来实现，能效增益高达 1894 倍。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。各种 CIM 架构都实现了性能改进，

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。

这些应用需要高计算效率。Terasys、这些电路创新实现了一系列功能（图 2b）。再到（c）实际的人工智能应用，混合信号方法试图平衡模拟和数字方法的优势。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。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），这种分离会产生“内存墙”问题，GPT 和 RoBERTa，如CNN、9T和10T配置，