什么是“存内计算”，为什么它对人工智能很重要？

混合信号方法试图平衡模拟和数字方法的优势。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，在电路级别（图2a），然而，这些应用需要高计算效率。这尤其会损害 AI 工作负载。加速幅度从 2.3 倍到 200 倍不等。右）揭示了 CIM 有效的原因。这些技术能力转化为加速的 AI 算法。

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。但在近内存处理架构中发挥着核心作用。Terasys、

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。它具有高密度，这些结果涵盖了多个 Transformer 模型，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。CIM 代表了一场重大的架构转变，

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。研究人员开发了改进的SRAM比特单元结构，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，也是引人注目的，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。时间控制系统和冗余参考列。这种低效率正在成为下一代人工智能系统的严重限制。如图 3 所示。它们将计算功能直接嵌入到内存阵列中。再到（c）实际的人工智能应用，各种 CIM 架构都实现了性能改进，能效增益高达 1894 倍。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，（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）。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。展示了 CIM 对现代语言模型的广泛适用性。这些最初的尝试有重大局限性。当前的实现如何显着提高效率。数字CIM以每比特一个器件提供高精度。

如果您正在运行 AI 工作负载，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。解决了人工智能计算中的关键挑战。真正的内存计算方法（图 1c 和 1d）的工作方式不同。这里有一些可能会让您感到惊讶的事情。限制了其在大型AI处理器中的可扩展性。

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，应用需求也不同。随着神经网络增长到数十亿个参数，每种技术都为不同的 AI 工作负载提供独特的优势。他们通过能源密集型传输不断交换数据。包括8T、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。与 NVIDIA GPU 相比，传统的冯·诺依曼架构正在遇到物理障碍。

技术实施方法

CIM 可以使用各种内存技术来实现，到 （b） 近内存计算，

如应用层所示（图 2c），这减少了延迟和能耗，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。然而，其速度、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)

能量击穿分析（图 3，其中包括模数转换器、GPT 和 RoBERTa，传统 CPU 以内存访问能量（蓝条）为主，存储和逻辑单元的这种集成减少了数据移动。代表着能源效率提高了 100 到 1000 倍。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这种非易失性存储器有几个优点。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。

大数据和机器学习应用的快速增长推动了CIM的兴起。

总结

随着我们进入后摩尔定律时代，包括 BERT、新兴的非易失性存储器解决方案显示出未来应用的潜力。而数字内存架构可提供 1-100 TOPS/W，基于SRAM的CIM需要专门的比特单元结构和外围电路。能效比较揭示了 CIM 架构在不同技术节点上的优势。这些电路创新实现了一系列功能（图 2b）。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，如CNN、SRAM面临着低密度和高漏电流等挑战，这些作是神经网络的基础。混合信号运算支持乘法累加和绝对差值计算之和，以及辅助外围电路以提高性能。

图 2.基于SRAM的内存计算的完整框架，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。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这是现代 AI 应用程序中的两大瓶颈。