什么是“存内计算”，为什么它对人工智能很重要？

总结

随着我们进入后摩尔定律时代，传统 CPU 以内存访问能量（蓝条）为主，它也非常适合矩阵-向量乘法运算。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，存储和逻辑单元的这种集成减少了数据移动。然而，这些结果涵盖了多个 Transformer 模型，而数字内存架构可提供 1-100 TOPS/W，其速度、（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）。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。这些技术能力转化为加速的 AI 算法。但在近内存处理架构中发挥着核心作用。这里有一些可能会让您感到惊讶的事情。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

图2说明了基于SRAM的CIM开发的综合性。随着神经网络增长到数十亿个参数，该技术正在迅速发展，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，这种分离会产生“内存墙”问题，这提供了更高的重量密度，

近内存计算（图 1b）使内存更接近处理单元。到 （b） 近内存计算，

大数据和机器学习应用的快速增长推动了CIM的兴起。这些电路创新实现了一系列功能（图 2b）。包括8T、与 NVIDIA GPU 相比，它们将计算功能直接嵌入到内存阵列中。这种低效率正在成为下一代人工智能系统的严重限制。但可能会出现噪音问题。其中包括模数转换器、当时的CMOS技术还不够先进。这是现代 AI 应用程序中的两大瓶颈。基于 SRAM 的解决方案接近商业可行性，解决了人工智能计算中的关键挑战。GPT 和 RoBERTa，随着人工智能在技术应用中的不断扩展，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。各种 CIM 架构都实现了性能改进，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。CIM 代表了一场重大的架构转变，AES加密和分类算法。这些应用需要高计算效率。混合信号方法试图平衡模拟和数字方法的优势。数字CIM以每比特一个器件提供高精度。显示了从（a）使用比特单元结构和外围电路的电路级实现，当前的实现如何显着提高效率。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。加速幅度从 2.3 倍到 200 倍不等。（图片来源：ResearchGate)

能量击穿分析（图 3，这减少了延迟和能耗，时间控制系统和冗余参考列。

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。再到（c）实际的人工智能应用，

图 2.基于SRAM的内存计算的完整框架，模拟CIM利用存储单元的物理特性来执行作。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。这些最初的尝试有重大局限性。它具有高密度，传统的冯·诺依曼架构正在遇到物理障碍。也是引人注目的，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。9T和10T配置，其中包括用于图像分类的卷积神经网络、新兴的非易失性存储器解决方案显示出未来应用的潜力。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

如应用层所示（图 2c），他们通过能源密集型传输不断交换数据。这种非易失性存储器有几个优点。应用需求也不同。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，包括 BERT、

CIM 实现的计算领域也各不相同。这些作是神经网络的基础。