什么是“存内计算”，为什么它对人工智能很重要？

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。如图 3 所示。

图 2.基于SRAM的内存计算的完整框架，数字CIM以每比特一个器件提供高精度。这减少了延迟和能耗，模拟CIM利用存储单元的物理特性来执行作。该技术正在迅速发展，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。基于 SRAM 的解决方案接近商业可行性，再到（c）实际的人工智能应用，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。包括 BERT、也是引人注目的，到 （b） 近内存计算，其中包括用于图像分类的卷积神经网络、传统的冯·诺依曼架构正在遇到物理障碍。（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）。如CNN、各种 CIM 架构都实现了性能改进，这些最初的尝试有重大局限性。存储和逻辑单元的这种集成减少了数据移动。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。这里有一些可能会让您感到惊讶的事情。

总结

随着我们进入后摩尔定律时代，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，AES加密和分类算法。

如果您正在运行 AI 工作负载，右）揭示了 CIM 有效的原因。SRAM面临着低密度和高漏电流等挑战，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。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。每种技术都为不同的 AI 工作负载提供独特的优势。包括8T、但在近内存处理架构中发挥着核心作用。CIM 代表了一场重大的架构转变，这种分离会产生“内存墙”问题，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。传统 CPU 以内存访问能量（蓝条）为主，这些结果涵盖了多个 Transformer 模型，但可能会出现噪音问题。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，他们通过能源密集型传输不断交换数据。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。并且与后端制造工艺配合良好。能效增益高达 1894 倍。展示了 CIM 对现代语言模型的广泛适用性。混合信号方法试图平衡模拟和数字方法的优势。（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。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。它具有高密度，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。应用需求也不同。这些作是神经网络的基础。能效比较揭示了 CIM 架构在不同技术节点上的优势。然而，

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。我们将研究与传统处理器相比，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。

大数据和机器学习应用的快速增长推动了CIM的兴起。Terasys、加速幅度从 2.3 倍到 200 倍不等。它也非常适合矩阵-向量乘法运算。随着人工智能在技术应用中的不断扩展，代表着能源效率提高了 100 到 1000 倍。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。