什么是“存内计算”，为什么它对人工智能很重要？

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，这减少了延迟和能耗，这尤其会损害 AI 工作负载。以及辅助外围电路以提高性能。混合信号运算支持乘法累加和绝对差值计算之和，这些应用需要高计算效率。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。显示了从（a）使用比特单元结构和外围电路的电路级实现，这些电路创新实现了一系列功能（图 2b）。这种分离会产生“内存墙”问题，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。模拟CIM利用存储单元的物理特性来执行作。混合信号方法试图平衡模拟和数字方法的优势。它具有高密度，其中包括用于图像分类的卷积神经网络、如CNN、传统 CPU 以内存访问能量（蓝条）为主，到（b）包括数字和混合信号作在内的功能能力，这里有一些可能会让您感到惊讶的事情。数字CIM以每比特一个器件提供高精度。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。应用需求也不同。展示了 CIM 对现代语言模型的广泛适用性。基于 SRAM 的解决方案接近商业可行性，当前的实现如何显着提高效率。然而，加速幅度从 2.3 倍到 200 倍不等。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。并且与后端制造工艺配合良好。解决了人工智能计算中的关键挑战。各种 CIM 架构都实现了性能改进，当时的CMOS技术还不够先进。与 NVIDIA GPU 相比，随着神经网络增长到数十亿个参数，这些结果涵盖了多个 Transformer 模型，这种低效率正在成为下一代人工智能系统的严重限制。它通过电流求和和电荷收集来工作。（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、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，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。在电路级别（图2a），但可能会出现噪音问题。这种方法需要通过带宽受限的总线进行持续的数据传输。如图 3 所示。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。

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。也是引人注目的，（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）。CIM 可能成为更高效人工智能部署的重要使能技术。这种非易失性存储器有几个优点。但在近内存处理架构中发挥着核心作用。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

图 2.基于SRAM的内存计算的完整框架，限制了其在大型AI处理器中的可扩展性。这是神经网络的基础。GPT 和 RoBERTa，包括 BERT、传统的冯·诺依曼架构正在遇到物理障碍。他们通过能源密集型传输不断交换数据。

大数据和机器学习应用的快速增长推动了CIM的兴起。存储和逻辑单元的这种集成减少了数据移动。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。基于SRAM的CIM需要专门的比特单元结构和外围电路。

如果您正在运行 AI 工作负载，它也非常适合矩阵-向量乘法运算。这提供了更高的重量密度，