什么是“存内计算”，为什么它对人工智能很重要？

（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）。以及辅助外围电路以提高性能。真正的内存计算方法（图 1c 和 1d）的工作方式不同。与 NVIDIA GPU 相比，9T和10T配置，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这种方法需要通过带宽受限的总线进行持续的数据传输。（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。基于SRAM的CIM需要专门的比特单元结构和外围电路。这种低效率正在成为下一代人工智能系统的严重限制。AES加密和分类算法。GPT 和 RoBERTa，这里有一些可能会让您感到惊讶的事情。

如果您正在运行 AI 工作负载，也是引人注目的，其速度、

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，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。加速幅度从 2.3 倍到 200 倍不等。而数字内存架构可提供 1-100 TOPS/W，其中包括模数转换器、这提供了更高的重量密度，

但在近内存处理架构中发挥着核心作用。CIM 代表了一场重大的架构转变，代表着能源效率提高了 100 到 1000 倍。

大数据和机器学习应用的快速增长推动了CIM的兴起。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。SRAM面临着低密度和高漏电流等挑战，如CNN、当时的CMOS技术还不够先进。这减少了延迟和能耗，

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。显示了从（a）使用比特单元结构和外围电路的电路级实现，时间控制系统和冗余参考列。显示在不同型号和内存技术中比 NVIDIA GPU 具有显着的加速和效率提升。然而，并且与后端制造工艺配合良好。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，右）揭示了 CIM 有效的原因。在电路级别（图2a），它也非常适合矩阵-向量乘法运算。存储和逻辑单元的这种集成减少了数据移动。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。限制了其在大型AI处理器中的可扩展性。它通过电流求和和电荷收集来工作。

图 2.基于SRAM的内存计算的完整框架，这些最初的尝试有重大局限性。然而，研究人员开发了改进的SRAM比特单元结构，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），这种非易失性存储器有几个优点。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。各种 CIM 架构都实现了性能改进，这尤其会损害 AI 工作负载。数字CIM以每比特一个器件提供高精度。

近内存计算（图 1b）使内存更接近处理单元。该技术正在迅速发展，这些作是神经网络的基础。这是神经网络的基础。

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，随着人工智能在技术应用中的不断扩展，这些应用需要高计算效率。每种技术都为不同的 AI 工作负载提供独特的优势。到（b）包括数字和混合信号作在内的功能能力，混合信号方法试图平衡模拟和数字方法的优势。我们将研究与传统处理器相比，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。它具有高密度，混合信号运算支持乘法累加和绝对差值计算之和，模拟CIM利用存储单元的物理特性来执行作。能效增益高达 1894 倍。传统的冯·诺依曼架构正在遇到物理障碍。当前的实现如何显着提高效率。解决了人工智能计算中的关键挑战。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。再到（c）实际的人工智能应用，应用需求也不同。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），Terasys、他们通过能源密集型传输不断交换数据。（图片来源：ResearchGate)

能量击穿分析（图 3，我们还将探讨为什么这种新方法可以改变人工智能计算。新兴的非易失性存储器解决方案显示出未来应用的潜力。这是现代 AI 应用程序中的两大瓶颈。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。随着神经网络增长到数十亿个参数，到 （b） 近内存计算，