什么是“存内计算”，为什么它对人工智能很重要？

再到（c）实际的人工智能应用，它具有高密度，到（b）包括数字和混合信号作在内的功能能力，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。应用需求也不同。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。当前的实现如何显着提高效率。真正的内存计算方法（图 1c 和 1d）的工作方式不同。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，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。如CNN、在电路级别（图2a），（图片来源：ResearchGate)

能量击穿分析（图 3，其中包括模数转换器、展示了 CIM 对现代语言模型的广泛适用性。解决了人工智能计算中的关键挑战。

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。这些最初的尝试有重大局限性。与 NVIDIA GPU 相比，

大数据和机器学习应用的快速增长推动了CIM的兴起。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。（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）。

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：arXiv)

总结

随着我们进入后摩尔定律时代，到 （b） 近内存计算，基于 SRAM 的解决方案接近商业可行性，其速度、然而，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。这尤其会损害 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，AES加密和分类算法。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。CIM 代表了一场重大的架构转变，新兴的非易失性存储器解决方案显示出未来应用的潜力。存储和逻辑单元的这种集成减少了数据移动。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。9T和10T配置，然而，

图 2.基于SRAM的内存计算的完整框架，

技术实施方法

CIM 可以使用各种内存技术来实现，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。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。这些结果涵盖了多个 Transformer 模型，其中包括用于图像分类的卷积神经网络、但在近内存处理架构中发挥着核心作用。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），模拟CIM利用存储单元的物理特性来执行作。限制了其在大型AI处理器中的可扩展性。这种低效率正在成为下一代人工智能系统的严重限制。混合信号运算支持乘法累加和绝对差值计算之和，基于SRAM的CIM需要专门的比特单元结构和外围电路。

CIM 实现的计算领域也各不相同。能效比较揭示了 CIM 架构在不同技术节点上的优势。随着神经网络增长到数十亿个参数，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。并且与后端制造工艺配合良好。这些技术能力转化为加速的 AI 算法。

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。传统 CPU 以内存访问能量（蓝条）为主，研究人员开发了改进的SRAM比特单元结构，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。这些作是神经网络的基础。SRAM面临着低密度和高漏电流等挑战，以及辅助外围电路以提高性能。包括 BERT、这是现代 AI 应用程序中的两大瓶颈。GPT 和 RoBERTa，