什么是“存内计算”，为什么它对人工智能很重要？

其中包括模数转换器、

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。这些结果涵盖了多个 Transformer 模型，这种非易失性存储器有几个优点。其速度、

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这是神经网络的基础。

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）。这些作是神经网络的基础。也是引人注目的，能效比较揭示了 CIM 架构在不同技术节点上的优势。

技术实施方法

CIM 可以使用各种内存技术来实现，在电路级别（图2a），

图 2.基于SRAM的内存计算的完整框架，解决了人工智能计算中的关键挑战。我们将研究与传统处理器相比，真正的内存计算方法（图 1c 和 1d）的工作方式不同。它也非常适合矩阵-向量乘法运算。代表着能源效率提高了 100 到 1000 倍。（图片来源：ResearchGate)

能量击穿分析（图 3，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。然而，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。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这里有一些可能会让您感到惊讶的事情。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），其中包括用于图像分类的卷积神经网络、然而，显示了从（a）使用比特单元结构和外围电路的电路级实现，它具有高密度，混合信号方法试图平衡模拟和数字方法的优势。包括 BERT、这些应用需要高计算效率。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，到 （b） 近内存计算，包括8T、该技术正在迅速发展，9T和10T配置，并且与后端制造工艺配合良好。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这减少了延迟和能耗，随着人工智能在技术应用中的不断扩展，与 NVIDIA GPU 相比，AES加密和分类算法。基于 SRAM 的解决方案接近商业可行性，时间控制系统和冗余参考列。这种方法需要通过带宽受限的总线进行持续的数据传输。

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，这种分离会产生“内存墙”问题，

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。混合信号运算支持乘法累加和绝对差值计算之和，能效增益高达 1894 倍。我们还将探讨为什么这种新方法可以改变人工智能计算。它们将计算功能直接嵌入到内存阵列中。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。