什么是“存内计算”，为什么它对人工智能很重要？

这种非易失性存储器有几个优点。随着神经网络增长到数十亿个参数，

如应用层所示（图 2c），

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些最初的尝试有重大局限性。这是神经网络的基础。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。模拟CIM利用存储单元的物理特性来执行作。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。

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。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，每种技术都为不同的 AI 工作负载提供独特的优势。这些技术能力转化为加速的 AI 算法。也是引人注目的，Terasys、应用需求也不同。

近内存计算（图 1b）使内存更接近处理单元。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。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。这些结果涵盖了多个 Transformer 模型，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。这些作是神经网络的基础。

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）。存储和逻辑单元的这种集成减少了数据移动。

大数据和机器学习应用的快速增长推动了CIM的兴起。

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。（图片来源：ResearchGate)

能量击穿分析（图 3，展示了 CIM 对现代语言模型的广泛适用性。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，能效增益高达 1894 倍。基于SRAM的CIM需要专门的比特单元结构和外围电路。传统的冯·诺依曼架构正在遇到物理障碍。它们将计算功能直接嵌入到内存阵列中。加速幅度从 2.3 倍到 200 倍不等。研究人员开发了改进的SRAM比特单元结构，其速度、各种 CIM 架构都实现了性能改进，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这里有一些可能会让您感到惊讶的事情。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。这提供了更高的重量密度，显示了从（a）使用比特单元结构和外围电路的电路级实现，新兴的非易失性存储器解决方案显示出未来应用的潜力。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。当时的CMOS技术还不够先进。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。当前的实现如何显着提高效率。限制了其在大型AI处理器中的可扩展性。它具有高密度，

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，它通过电流求和和电荷收集来工作。基于 SRAM 的解决方案接近商业可行性，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），传统 CPU 以内存访问能量（蓝条）为主，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。然而，混合信号运算支持乘法累加和绝对差值计算之和，如图 3 所示。

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。右）揭示了 CIM 有效的原因。其中包括用于图像分类的卷积神经网络、