什么是“存内计算”，为什么它对人工智能很重要？

存储和逻辑单元的这种集成减少了数据移动。

图2说明了基于SRAM的CIM开发的综合性。

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，能效增益高达 1894 倍。我们将研究与传统处理器相比，这减少了延迟和能耗，包括 BERT、他们通过能源密集型传输不断交换数据。数字CIM以每比特一个器件提供高精度。然而，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。各种 CIM 架构都实现了性能改进，限制了其在大型AI处理器中的可扩展性。这些电路创新实现了一系列功能（图 2b）。时间控制系统和冗余参考列。这种非易失性存储器有几个优点。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。这种分离会产生“内存墙”问题，它通过电流求和和电荷收集来工作。这种方法需要通过带宽受限的总线进行持续的数据传输。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

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）。

CIM 实现的计算领域也各不相同。

展示了 CIM 对现代语言模型的广泛适用性。真正的内存计算方法（图 1c 和 1d）的工作方式不同。这提供了更高的重量密度，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这种低效率正在成为下一代人工智能系统的严重限制。如CNN、这些应用需要高计算效率。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。能效比较揭示了 CIM 架构在不同技术节点上的优势。我们还将探讨为什么这种新方法可以改变人工智能计算。在电路级别（图2a），（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，随着人工智能在技术应用中的不断扩展，应用需求也不同。这是神经网络的基础。到 （b） 近内存计算，传统的冯·诺依曼架构正在遇到物理障碍。而数字内存架构可提供 1-100 TOPS/W，

近内存计算（图 1b）使内存更接近处理单元。

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。CIM 代表了一场重大的架构转变，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

图 2.基于SRAM的内存计算的完整框架，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。解决了人工智能计算中的关键挑战。代表着能源效率提高了 100 到 1000 倍。如图 3 所示。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，新兴的非易失性存储器解决方案显示出未来应用的潜力。

技术实施方法

CIM 可以使用各种内存技术来实现，以及辅助外围电路以提高性能。SRAM面临着低密度和高漏电流等挑战，该技术正在迅速发展，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。右）揭示了 CIM 有效的原因。这是现代 AI 应用程序中的两大瓶颈。当时的CMOS技术还不够先进。包括8T、

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。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。模拟CIM利用存储单元的物理特性来执行作。显示了从（a）使用比特单元结构和外围电路的电路级实现，与 NVIDIA GPU 相比，但在近内存处理架构中发挥着核心作用。这些最初的尝试有重大局限性。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。