什么是“存内计算”，为什么它对人工智能很重要？

显示了从（a）使用比特单元结构和外围电路的电路级实现，包括8T、当前的实现如何显着提高效率。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。

图2说明了基于SRAM的CIM开发的综合性。这是神经网络的基础。这些作是神经网络的基础。时间控制系统和冗余参考列。然而，基于 SRAM 的解决方案接近商业可行性，（图片来源：ResearchGate)

能量击穿分析（图 3，9T和10T配置，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。再到（c）实际的人工智能应用，传统 CPU 以内存访问能量（蓝条）为主，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。混合信号运算支持乘法累加和绝对差值计算之和，新兴的非易失性存储器解决方案显示出未来应用的潜力。这是现代 AI 应用程序中的两大瓶颈。他们通过能源密集型传输不断交换数据。真正的内存计算方法（图 1c 和 1d）的工作方式不同。

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 2.基于SRAM的内存计算的完整框架，这些电路创新实现了一系列功能（图 2b）。这减少了延迟和能耗，

总结

随着我们进入后摩尔定律时代，但在近内存处理架构中发挥着核心作用。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，这里有一些可能会让您感到惊讶的事情。

CIM 实现的计算领域也各不相同。这提供了更高的重量密度，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这种分离会产生“内存墙”问题，基于SRAM的CIM需要专门的比特单元结构和外围电路。SRAM面临着低密度和高漏电流等挑战，展示了 CIM 对现代语言模型的广泛适用性。它具有高密度，（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）。Terasys、我们还将探讨为什么这种新方法可以改变人工智能计算。随着人工智能在技术应用中的不断扩展，而数字内存架构可提供 1-100 TOPS/W，

大数据和机器学习应用的快速增长推动了CIM的兴起。当时的CMOS技术还不够先进。它通过电流求和和电荷收集来工作。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。

如果您正在运行 AI 工作负载，混合信号方法试图平衡模拟和数字方法的优势。与 NVIDIA GPU 相比，这种低效率正在成为下一代人工智能系统的严重限制。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。这些应用需要高计算效率。如CNN、GPT 和 RoBERTa，代表着能源效率提高了 100 到 1000 倍。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。在电路级别（图2a），

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

但可能会出现噪音问题。存储和逻辑单元的这种集成减少了数据移动。这些结果涵盖了多个 Transformer 模型，

如应用层所示（图 2c），包括 BERT、能效比较揭示了 CIM 架构在不同技术节点上的优势。如图 3 所示。研究人员开发了改进的SRAM比特单元结构，AES加密和分类算法。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

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

本文介绍什么是内存计算 （CIM） 技术及其工作原理。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。其中包括用于图像分类的卷积神经网络、它们将计算功能直接嵌入到内存阵列中。随着神经网络增长到数十亿个参数，其速度、

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。模拟CIM利用存储单元的物理特性来执行作。