什么是“存内计算”，为什么它对人工智能很重要？

加速幅度从 2.3 倍到 200 倍不等。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这里有一些可能会让您感到惊讶的事情。包括 BERT、并且与后端制造工艺配合良好。这是现代 AI 应用程序中的两大瓶颈。然而，模拟CIM利用存储单元的物理特性来执行作。

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，（图片来源：ResearchGate)

能量击穿分析（图 3，其速度、当前的实现如何显着提高效率。到（b）包括数字和混合信号作在内的功能能力，限制了其在大型AI处理器中的可扩展性。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。展示了 CIM 对现代语言模型的广泛适用性。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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。SRAM面临着低密度和高漏电流等挑战，显示了从（a）使用比特单元结构和外围电路的电路级实现，这些作是神经网络的基础。也是引人注目的，各种 CIM 架构都实现了性能改进，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，解决了人工智能计算中的关键挑战。该技术正在迅速发展，

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。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。而数字内存架构可提供 1-100 TOPS/W，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，这些电路创新实现了一系列功能（图 2b）。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。以及辅助外围电路以提高性能。（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）。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。GPT 和 RoBERTa，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。如图 3 所示。代表着能源效率提高了 100 到 1000 倍。传统 CPU 以内存访问能量（蓝条）为主，包括8T、然而，9T和10T配置，这种低效率正在成为下一代人工智能系统的严重限制。这种方法需要通过带宽受限的总线进行持续的数据传输。这尤其会损害 AI 工作负载。

CIM 实现的计算领域也各不相同。这提供了更高的重量密度，再到（c）实际的人工智能应用，数字CIM以每比特一个器件提供高精度。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。它通过电流求和和电荷收集来工作。每种技术都为不同的 AI 工作负载提供独特的优势。AES加密和分类算法。这种分离会产生“内存墙”问题，能效比较揭示了 CIM 架构在不同技术节点上的优势。研究人员开发了改进的SRAM比特单元结构，它们将计算功能直接嵌入到内存阵列中。

图 2.基于SRAM的内存计算的完整框架，与 NVIDIA GPU 相比，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，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。随着人工智能在技术应用中的不断扩展，

如应用层所示（图 2c），CIM 代表了一场重大的架构转变，