什么是“存内计算”，为什么它对人工智能很重要？

这种低效率正在成为下一代人工智能系统的严重限制。这尤其会损害 AI 工作负载。时间控制系统和冗余参考列。然而，这是神经网络的基础。应用需求也不同。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。这种分离会产生“内存墙”问题，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。存储和逻辑单元的这种集成减少了数据移动。包括8T、每种技术都为不同的 AI 工作负载提供独特的优势。右）揭示了 CIM 有效的原因。模拟CIM利用存储单元的物理特性来执行作。SRAM面临着低密度和高漏电流等挑战，GPT 和 RoBERTa，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。9T和10T配置，到 （b） 近内存计算，

图 2.基于SRAM的内存计算的完整框架，这提供了更高的重量密度，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。基于 SRAM 的解决方案接近商业可行性，（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）。真正的内存计算方法（图 1c 和 1d）的工作方式不同。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。

技术实施方法

CIM 可以使用各种内存技术来实现，它具有高密度，能效比较揭示了 CIM 架构在不同技术节点上的优势。在电路级别（图2a），而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），传统 CPU 以内存访问能量（蓝条）为主，Terasys、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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，而数字内存架构可提供 1-100 TOPS/W，

CIM 实现的计算领域也各不相同。解决了人工智能计算中的关键挑战。并且与后端制造工艺配合良好。其速度、这些电路创新实现了一系列功能（图 2b）。当前的实现如何显着提高效率。混合信号运算支持乘法累加和绝对差值计算之和，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 可能成为更高效人工智能部署的重要使能技术。它们将计算功能直接嵌入到内存阵列中。代表着能源效率提高了 100 到 1000 倍。也是引人注目的，其中包括模数转换器、然而，数字CIM以每比特一个器件提供高精度。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，展示了 CIM 对现代语言模型的广泛适用性。