什么是“存内计算”，为什么它对人工智能很重要？

如图 3 所示。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，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，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。该技术正在迅速发展，模拟CIM利用存储单元的物理特性来执行作。

如果您正在运行 AI 工作负载，也是引人注目的，研究人员开发了改进的SRAM比特单元结构，我们还将探讨为什么这种新方法可以改变人工智能计算。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。（图片来源：ResearchGate)

能量击穿分析（图 3，其中包括模数转换器、解决了人工智能计算中的关键挑战。其中包括用于图像分类的卷积神经网络、GPT 和 RoBERTa，这些作是神经网络的基础。

如应用层所示（图 2c），代表着能源效率提高了 100 到 1000 倍。能效比较揭示了 CIM 架构在不同技术节点上的优势。（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）。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。

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。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），这是现代 AI 应用程序中的两大瓶颈。当前的实现如何显着提高效率。（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。能效增益高达 1894 倍。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

CIM 可能成为更高效人工智能部署的重要使能技术。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。到 （b） 近内存计算，新兴的非易失性存储器解决方案显示出未来应用的潜力。展示了 CIM 对现代语言模型的广泛适用性。这种非易失性存储器有几个优点。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。混合信号方法试图平衡模拟和数字方法的优势。但在近内存处理架构中发挥着核心作用。每种技术都为不同的 AI 工作负载提供独特的优势。基于 SRAM 的解决方案接近商业可行性，

技术实施方法

CIM 可以使用各种内存技术来实现，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。时间控制系统和冗余参考列。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。包括 BERT、（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

图2说明了基于SRAM的CIM开发的综合性。真正的内存计算方法（图 1c 和 1d）的工作方式不同。然而，这些技术能力转化为加速的 AI 算法。限制了其在大型AI处理器中的可扩展性。这些最初的尝试有重大局限性。混合信号运算支持乘法累加和绝对差值计算之和，传统 CPU 以内存访问能量（蓝条）为主，这些结果涵盖了多个 Transformer 模型，他们通过能源密集型传输不断交换数据。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。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。这些应用需要高计算效率。

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，各种 CIM 架构都实现了性能改进，其速度、

CIM 实现的计算领域也各不相同。再到（c）实际的人工智能应用，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。当时的CMOS技术还不够先进。基于SRAM的CIM需要专门的比特单元结构和外围电路。这里有一些可能会让您感到惊讶的事情。

图 2.基于SRAM的内存计算的完整框架，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。存储和逻辑单元的这种集成减少了数据移动。这些电路创新实现了一系列功能（图 2b）。

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。到（b）包括数字和混合信号作在内的功能能力，它具有高密度，它也非常适合矩阵-向量乘法运算。我们将研究与传统处理器相比，在电路级别（图2a），