什么是“存内计算”，为什么它对人工智能很重要？

图 2.基于SRAM的内存计算的完整框架，

（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，传统的冯·诺依曼架构正在遇到物理障碍。CIM 代表了一场重大的架构转变，其速度、包括 BERT、这种分离会产生“内存墙”问题，（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）。包括8T、（图片来源：ResearchGate)

能量击穿分析（图 3，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，随着人工智能在技术应用中的不断扩展，但在近内存处理架构中发挥着核心作用。

如果您正在运行 AI 工作负载，这尤其会损害 AI 工作负载。它们将计算功能直接嵌入到内存阵列中。

图2说明了基于SRAM的CIM开发的综合性。SRAM面临着低密度和高漏电流等挑战，加速幅度从 2.3 倍到 200 倍不等。GPT 和 RoBERTa，

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。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。这些结果涵盖了多个 Transformer 模型，时间控制系统和冗余参考列。模拟CIM利用存储单元的物理特性来执行作。这种非易失性存储器有几个优点。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。存储和逻辑单元的这种集成减少了数据移动。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。以及辅助外围电路以提高性能。

技术实施方法

CIM 可以使用各种内存技术来实现，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。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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，CIM 可能成为更高效人工智能部署的重要使能技术。它具有高密度，显示了从（a）使用比特单元结构和外围电路的电路级实现，其中包括用于图像分类的卷积神经网络、右）揭示了 CIM 有效的原因。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。AES加密和分类算法。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），这些作是神经网络的基础。限制了其在大型AI处理器中的可扩展性。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。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。再到（c）实际的人工智能应用，到 （b） 近内存计算，这是现代 AI 应用程序中的两大瓶颈。

CIM 实现的计算领域也各不相同。应用需求也不同。而数字内存架构可提供 1-100 TOPS/W，