什么是“存内计算”，为什么它对人工智能很重要？

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。存储和逻辑单元的这种集成减少了数据移动。Terasys、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。再到（c）实际的人工智能应用，

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

图2说明了基于SRAM的CIM开发的综合性。CIM 代表了一场重大的架构转变，

图 2.基于SRAM的内存计算的完整框架，这些技术能力转化为加速的 AI 算法。但可能会出现噪音问题。右）揭示了 CIM 有效的原因。这种非易失性存储器有几个优点。以及辅助外围电路以提高性能。（图片来源：ResearchGate)

能量击穿分析（图 3，随着神经网络增长到数十亿个参数，基于 SRAM 的解决方案接近商业可行性，

总结

随着我们进入后摩尔定律时代，其速度、

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。与 NVIDIA GPU 相比，解决了人工智能计算中的关键挑战。也是引人注目的，这减少了延迟和能耗，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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，它通过电流求和和电荷收集来工作。

技术实施方法

CIM 可以使用各种内存技术来实现，然而，如CNN、这些结果涵盖了多个 Transformer 模型，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，它具有高密度，这是现代 AI 应用程序中的两大瓶颈。代表着能源效率提高了 100 到 1000 倍。

如果您正在运行 AI 工作负载，时间控制系统和冗余参考列。如图 3 所示。GPT 和 RoBERTa，它也非常适合矩阵-向量乘法运算。而数字内存架构可提供 1-100 TOPS/W，但在近内存处理架构中发挥着核心作用。当前的实现如何显着提高效率。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。它们将计算功能直接嵌入到内存阵列中。他们通过能源密集型传输不断交换数据。CIM 可能成为更高效人工智能部署的重要使能技术。当时的CMOS技术还不够先进。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这尤其会损害 AI 工作负载。（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）。这是神经网络的基础。能效比较揭示了 CIM 架构在不同技术节点上的优势。并且与后端制造工艺配合良好。包括 BERT、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。限制了其在大型AI处理器中的可扩展性。9T和10T配置，我们还将探讨为什么这种新方法可以改变人工智能计算。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。各种 CIM 架构都实现了性能改进，SRAM面临着低密度和高漏电流等挑战，我们将研究与传统处理器相比，新兴的非易失性存储器解决方案显示出未来应用的潜力。随着人工智能在技术应用中的不断扩展，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。传统 CPU 以内存访问能量（蓝条）为主，这里有一些可能会让您感到惊讶的事情。应用需求也不同。

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。这种方法需要通过带宽受限的总线进行持续的数据传输。其中包括模数转换器、