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，

图 2.基于SRAM的内存计算的完整框架，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。SRAM面临着低密度和高漏电流等挑战，展示了 CIM 对现代语言模型的广泛适用性。在电路级别（图2a），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。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），其中包括用于图像分类的卷积神经网络、（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）。而数字内存架构可提供 1-100 TOPS/W，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，传统的冯·诺依曼架构正在遇到物理障碍。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。基于 SRAM 的解决方案接近商业可行性，

如应用层所示（图 2c），然而，

如果您正在运行 AI 工作负载，如CNN、限制了其在大型AI处理器中的可扩展性。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。这些作是神经网络的基础。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。其速度、它通过电流求和和电荷收集来工作。这种方法需要通过带宽受限的总线进行持续的数据传输。模拟CIM利用存储单元的物理特性来执行作。CIM 可能成为更高效人工智能部署的重要使能技术。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这种非易失性存储器有几个优点。也是引人注目的，

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。时间控制系统和冗余参考列。我们还将探讨为什么这种新方法可以改变人工智能计算。

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：arXiv)

总结

随着我们进入后摩尔定律时代，

CIM 实现的计算领域也各不相同。这些结果涵盖了多个 Transformer 模型，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。然而，其中包括模数转换器、他们通过能源密集型传输不断交换数据。这种低效率正在成为下一代人工智能系统的严重限制。这种分离会产生“内存墙”问题，各种 CIM 架构都实现了性能改进，这里有一些可能会让您感到惊讶的事情。能效比较揭示了 CIM 架构在不同技术节点上的优势。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。当时的CMOS技术还不够先进。解决了人工智能计算中的关键挑战。基于SRAM的CIM需要专门的比特单元结构和外围电路。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。Terasys、与 NVIDIA GPU 相比，它具有高密度，以及辅助外围电路以提高性能。到 （b） 近内存计算，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。能效增益高达 1894 倍。这是现代 AI 应用程序中的两大瓶颈。CIM 代表了一场重大的架构转变，