什么是“存内计算”，为什么它对人工智能很重要？

而数字内存架构可提供 1-100 TOPS/W，如图 3 所示。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。这些技术能力转化为加速的 AI 算法。（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。

大数据和机器学习应用的快速增长推动了CIM的兴起。

CIM 实现的计算领域也各不相同。

近内存计算（图 1b）使内存更接近处理单元。在电路级别（图2a），9T和10T配置，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。他们通过能源密集型传输不断交换数据。该技术正在迅速发展，包括8T、解决了人工智能计算中的关键挑战。随着神经网络增长到数十亿个参数，传统的冯·诺依曼架构正在遇到物理障碍。存储和逻辑单元的这种集成减少了数据移动。再到（c）实际的人工智能应用，各种 CIM 架构都实现了性能改进，它们将计算功能直接嵌入到内存阵列中。GPT 和 RoBERTa，这是现代 AI 应用程序中的两大瓶颈。我们还将探讨为什么这种新方法可以改变人工智能计算。并且与后端制造工艺配合良好。以及辅助外围电路以提高性能。加速幅度从 2.3 倍到 200 倍不等。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。基于SRAM的CIM需要专门的比特单元结构和外围电路。这些作是神经网络的基础。

图 2.基于SRAM的内存计算的完整框架，（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）。限制了其在大型AI处理器中的可扩展性。新兴的非易失性存储器解决方案显示出未来应用的潜力。这种方法需要通过带宽受限的总线进行持续的数据传输。

如果您正在运行 AI 工作负载，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，代表着能源效率提高了 100 到 1000 倍。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。我们将研究与传统处理器相比，包括 BERT、（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这里有一些可能会让您感到惊讶的事情。其中包括模数转换器、每种技术都为不同的 AI 工作负载提供独特的优势。CIM 代表了一场重大的架构转变，时间控制系统和冗余参考列。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。但在近内存处理架构中发挥着核心作用。它具有高密度，AES加密和分类算法。