什么是“存内计算”，为什么它对人工智能很重要？

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），以及辅助外围电路以提高性能。这些结果涵盖了多个 Transformer 模型，

近内存计算（图 1b）使内存更接近处理单元。当前的实现如何显着提高效率。

大数据和机器学习应用的快速增长推动了CIM的兴起。其中包括模数转换器、

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，应用需求也不同。（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。这是现代 AI 应用程序中的两大瓶颈。每种技术都为不同的 AI 工作负载提供独特的优势。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。能效比较揭示了 CIM 架构在不同技术节点上的优势。他们通过能源密集型传输不断交换数据。这些作是神经网络的基础。这种分离会产生“内存墙”问题，

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，这种方法需要通过带宽受限的总线进行持续的数据传输。限制了其在大型AI处理器中的可扩展性。

图2说明了基于SRAM的CIM开发的综合性。

总结

随着我们进入后摩尔定律时代，

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。

图 2.基于SRAM的内存计算的完整框架，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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。它们将计算功能直接嵌入到内存阵列中。它也非常适合矩阵-向量乘法运算。这种低效率正在成为下一代人工智能系统的严重限制。

如应用层所示（图 2c），9T和10T配置，

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。随着人工智能在技术应用中的不断扩展，展示了 CIM 对现代语言模型的广泛适用性。到（b）包括数字和混合信号作在内的功能能力，如图 3 所示。随着神经网络增长到数十亿个参数，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。（图片来源：ResearchGate)

能量击穿分析（图 3，基于SRAM的CIM需要专门的比特单元结构和外围电路。但在近内存处理架构中发挥着核心作用。（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）。

这减少了延迟和能耗，这些应用需要高计算效率。基于 SRAM 的解决方案接近商业可行性，它通过电流求和和电荷收集来工作。这些电路创新实现了一系列功能（图 2b）。而数字内存架构可提供 1-100 TOPS/W，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。再到（c）实际的人工智能应用，CIM 可能成为更高效人工智能部署的重要使能技术。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。然而，能效增益高达 1894 倍。混合信号方法试图平衡模拟和数字方法的优势。这尤其会损害 AI 工作负载。数字CIM以每比特一个器件提供高精度。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，时间控制系统和冗余参考列。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。AES加密和分类算法。