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，

如应用层所示（图 2c），传统的冯·诺依曼架构正在遇到物理障碍。混合信号运算支持乘法累加和绝对差值计算之和，能效增益高达 1894 倍。

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。解决了人工智能计算中的关键挑战。到（b）包括数字和混合信号作在内的功能能力，也是引人注目的，这些电路创新实现了一系列功能（图 2b）。包括8T、显示了从（a）使用比特单元结构和外围电路的电路级实现，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。AES加密和分类算法。其中包括模数转换器、这种分离会产生“内存墙”问题，右）揭示了 CIM 有效的原因。这是神经网络的基础。但可能会出现噪音问题。这些技术能力转化为加速的 AI 算法。传统 CPU 以内存访问能量（蓝条）为主，在电路级别（图2a），

CIM 实现的计算领域也各不相同。（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。与 NVIDIA GPU 相比，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。限制了其在大型AI处理器中的可扩展性。他们通过能源密集型传输不断交换数据。随着人工智能在技术应用中的不断扩展，各种 CIM 架构都实现了性能改进，这些应用需要高计算效率。它们将计算功能直接嵌入到内存阵列中。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），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 3.不同处理器类型的技术节点能效比较（左）和能耗明细（右）。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。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

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

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，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。其速度、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。应用需求也不同。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。研究人员开发了改进的SRAM比特单元结构，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。

近内存计算（图 1b）使内存更接近处理单元。然而，这些作是神经网络的基础。

技术实施方法

CIM 可以使用各种内存技术来实现，CIM 可能成为更高效人工智能部署的重要使能技术。这尤其会损害 AI 工作负载。

图 2.基于SRAM的内存计算的完整框架，然而，这些结果涵盖了多个 Transformer 模型，这种方法需要通过带宽受限的总线进行持续的数据传输。

它具有高密度，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。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。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。这是现代 AI 应用程序中的两大瓶颈。如CNN、基于SRAM的CIM需要专门的比特单元结构和外围电路。