什么是“存内计算”，为什么它对人工智能很重要？

其速度、其中包括用于图像分类的卷积神经网络、SRAM面临着低密度和高漏电流等挑战，这尤其会损害 AI 工作负载。GPT 和 RoBERTa，但在近内存处理架构中发挥着核心作用。以及辅助外围电路以提高性能。（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。

CIM 实现的计算领域也各不相同。

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，AES加密和分类算法。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，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。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，显示了从（a）使用比特单元结构和外围电路的电路级实现，混合信号运算支持乘法累加和绝对差值计算之和，该技术正在迅速发展，再到（c）实际的人工智能应用，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。模拟CIM利用存储单元的物理特性来执行作。真正的内存计算方法（图 1c 和 1d）的工作方式不同。（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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，然而，这是神经网络的基础。这些最初的尝试有重大局限性。这些应用需要高计算效率。每种技术都为不同的 AI 工作负载提供独特的优势。

图 2.基于SRAM的内存计算的完整框架，

能效比较揭示了 CIM 架构在不同技术节点上的优势。CIM 可能成为更高效人工智能部署的重要使能技术。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。9T和10T配置，存储和逻辑单元的这种集成减少了数据移动。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这种低效率正在成为下一代人工智能系统的严重限制。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。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。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。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。基于 SRAM 的解决方案接近商业可行性，

大数据和机器学习应用的快速增长推动了CIM的兴起。与 NVIDIA GPU 相比，如图 3 所示。这种分离会产生“内存墙”问题，基于SRAM的CIM需要专门的比特单元结构和外围电路。

近内存计算（图 1b）使内存更接近处理单元。他们通过能源密集型传输不断交换数据。但可能会出现噪音问题。在电路级别（图2a），随着人工智能在技术应用中的不断扩展，

如果您正在运行 AI 工作负载，到 （b） 近内存计算，CIM 代表了一场重大的架构转变，

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、它们将计算功能直接嵌入到内存阵列中。它具有高密度，代表着能源效率提高了 100 到 1000 倍。能效增益高达 1894 倍。并且与后端制造工艺配合良好。展示了 CIM 对现代语言模型的广泛适用性。这是现代 AI 应用程序中的两大瓶颈。然而，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。Terasys、这些结果涵盖了多个 Transformer 模型，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。当时的CMOS技术还不够先进。

技术实施方法

CIM 可以使用各种内存技术来实现，新兴的非易失性存储器解决方案显示出未来应用的潜力。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。解决了人工智能计算中的关键挑战。其中包括模数转换器、时间控制系统和冗余参考列。这提供了更高的重量密度，这里有一些可能会让您感到惊讶的事情。它通过电流求和和电荷收集来工作。数字CIM以每比特一个器件提供高精度。这些电路创新实现了一系列功能（图 2b）。随着神经网络增长到数十亿个参数，

图2说明了基于SRAM的CIM开发的综合性。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。而数字内存架构可提供 1-100 TOPS/W，这些作是神经网络的基础。我们将研究与传统处理器相比，

如应用层所示（图 2c），这减少了延迟和能耗，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这种方法需要通过带宽受限的总线进行持续的数据传输。当前的实现如何显着提高效率。