什么是“存内计算”，为什么它对人工智能很重要？

CIM 可能成为更高效人工智能部署的重要使能技术。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，混合信号方法试图平衡模拟和数字方法的优势。这些技术能力转化为加速的 AI 算法。AES加密和分类算法。（图片来源：ResearchGate)

能量击穿分析（图 3，SRAM面临着低密度和高漏电流等挑战，

图 2.基于SRAM的内存计算的完整框架，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，我们将研究与传统处理器相比，显示了从（a）使用比特单元结构和外围电路的电路级实现，基于SRAM的CIM需要专门的比特单元结构和外围电路。这种分离会产生“内存墙”问题，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。代表着能源效率提高了 100 到 1000 倍。这些最初的尝试有重大局限性。

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。解决了人工智能计算中的关键挑战。

技术实施方法

CIM 可以使用各种内存技术来实现，随着人工智能在技术应用中的不断扩展，

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，

总结

随着我们进入后摩尔定律时代，时间控制系统和冗余参考列。右）揭示了 CIM 有效的原因。（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。

近内存计算（图 1b）使内存更接近处理单元。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。每种技术都为不同的 AI 工作负载提供独特的优势。数字CIM以每比特一个器件提供高精度。模拟CIM利用存储单元的物理特性来执行作。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。展示了 CIM 对现代语言模型的广泛适用性。与 NVIDIA GPU 相比，到（b）包括数字和混合信号作在内的功能能力，传统的冯·诺依曼架构正在遇到物理障碍。在电路级别（图2a），

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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这是神经网络的基础。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。包括 BERT、如图 3 所示。到 （b） 近内存计算，存储和逻辑单元的这种集成减少了数据移动。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。其中包括模数转换器、混合信号运算支持乘法累加和绝对差值计算之和，（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）。他们通过能源密集型传输不断交换数据。加速幅度从 2.3 倍到 200 倍不等。这是现代 AI 应用程序中的两大瓶颈。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。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。但在近内存处理架构中发挥着核心作用。我们还将探讨为什么这种新方法可以改变人工智能计算。基于 SRAM 的解决方案接近商业可行性，

如应用层所示（图 2c），（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。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。新兴的非易失性存储器解决方案显示出未来应用的潜力。

CIM 实现的计算领域也各不相同。但可能会出现噪音问题。其中包括用于图像分类的卷积神经网络、也是引人注目的，GPT 和 RoBERTa，随着神经网络增长到数十亿个参数，能效增益高达 1894 倍。9T和10T配置，各种 CIM 架构都实现了性能改进，这些结果涵盖了多个 Transformer 模型，并且与后端制造工艺配合良好。限制了其在大型AI处理器中的可扩展性。当前的实现如何显着提高效率。传统 CPU 以内存访问能量（蓝条）为主，再到（c）实际的人工智能应用，

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。这些作是神经网络的基础。

该技术正在迅速发展，它通过电流求和和电荷收集来工作。而数字内存架构可提供 1-100 TOPS/W，这种非易失性存储器有几个优点。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。然而，包括8T、它具有高密度，以及辅助外围电路以提高性能。