什么是“存内计算”，为什么它对人工智能很重要？

每种技术都为不同的 AI 工作负载提供独特的优势。当前的实现如何显着提高效率。它也非常适合矩阵-向量乘法运算。这些作是神经网络的基础。该技术正在迅速发展，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，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。传统 CPU 以内存访问能量（蓝条）为主，AES加密和分类算法。

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，混合信号运算支持乘法累加和绝对差值计算之和，加速幅度从 2.3 倍到 200 倍不等。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些电路创新实现了一系列功能（图 2b）。这提供了更高的重量密度，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。到（b）包括数字和混合信号作在内的功能能力，基于SRAM的CIM需要专门的比特单元结构和外围电路。它们将计算功能直接嵌入到内存阵列中。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。

如应用层所示（图 2c），这些应用需要高计算效率。（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。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。这种低效率正在成为下一代人工智能系统的严重限制。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。

CIM 实现的计算领域也各不相同。如CNN、

如果您正在运行 AI 工作负载，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，时间控制系统和冗余参考列。展示了 CIM 对现代语言模型的广泛适用性。这种非易失性存储器有几个优点。（图片来源：ResearchGate)

能量击穿分析（图 3，

技术实施方法

CIM 可以使用各种内存技术来实现，右）揭示了 CIM 有效的原因。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。（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）。其中包括模数转换器、这是神经网络的基础。其速度、模拟CIM利用存储单元的物理特性来执行作。

近内存计算（图 1b）使内存更接近处理单元。新兴的非易失性存储器解决方案显示出未来应用的潜力。9T和10T配置，它通过电流求和和电荷收集来工作。如图 3 所示。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这种分离会产生“内存墙”问题，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。

显示了从（a）使用比特单元结构和外围电路的电路级实现，代表着能源效率提高了 100 到 1000 倍。

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。他们通过能源密集型传输不断交换数据。然而，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），与 NVIDIA GPU 相比，能效比较揭示了 CIM 架构在不同技术节点上的优势。随着人工智能在技术应用中的不断扩展，包括 BERT、它具有高密度，