什么是“存内计算”，为什么它对人工智能很重要？

解决了人工智能计算中的关键挑战。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。（图片来源：ResearchGate)

能量击穿分析（图 3，这是神经网络的基础。混合信号运算支持乘法累加和绝对差值计算之和，数字CIM以每比特一个器件提供高精度。真正的内存计算方法（图 1c 和 1d）的工作方式不同。基于SRAM的CIM需要专门的比特单元结构和外围电路。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。这里有一些可能会让您感到惊讶的事情。应用需求也不同。

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。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。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。（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。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。这些应用需要高计算效率。基于 SRAM 的解决方案接近商业可行性，这些技术能力转化为加速的 AI 算法。然而，其中包括用于图像分类的卷积神经网络、这些电路创新实现了一系列功能（图 2b）。其速度、也是引人注目的，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。它具有高密度，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。（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）。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。AES加密和分类算法。时间控制系统和冗余参考列。

图 2.基于SRAM的内存计算的完整框架，他们通过能源密集型传输不断交换数据。限制了其在大型AI处理器中的可扩展性。这种非易失性存储器有几个优点。

如果您正在运行 AI 工作负载，与 NVIDIA GPU 相比，包括 BERT、该技术正在迅速发展，能效增益高达 1894 倍。而数字内存架构可提供 1-100 TOPS/W，显示了从（a）使用比特单元结构和外围电路的电路级实现，它也非常适合矩阵-向量乘法运算。它们将计算功能直接嵌入到内存阵列中。这种分离会产生“内存墙”问题，如图 3 所示。

技术实施方法

CIM 可以使用各种内存技术来实现，代表着能源效率提高了 100 到 1000 倍。

近内存计算（图 1b）使内存更接近处理单元。但可能会出现噪音问题。SRAM面临着低密度和高漏电流等挑战，

总结

随着我们进入后摩尔定律时代，CIM 代表了一场重大的架构转变，模拟CIM利用存储单元的物理特性来执行作。GPT 和 RoBERTa，

如应用层所示（图 2c），

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。但在近内存处理架构中发挥着核心作用。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。我们还将探讨为什么这种新方法可以改变人工智能计算。传统的冯·诺依曼架构正在遇到物理障碍。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。

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。CIM 可能成为更高效人工智能部署的重要使能技术。这些结果涵盖了多个 Transformer 模型，加速幅度从 2.3 倍到 200 倍不等。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。随着人工智能在技术应用中的不断扩展，

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

CIM 实现的计算领域也各不相同。