什么是“存内计算”，为什么它对人工智能很重要？

应用需求也不同。包括 BERT、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。这种分离会产生“内存墙”问题，数字CIM以每比特一个器件提供高精度。混合信号方法试图平衡模拟和数字方法的优势。这种低效率正在成为下一代人工智能系统的严重限制。

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。如CNN、这是现代 AI 应用程序中的两大瓶颈。解决了人工智能计算中的关键挑战。到 （b） 近内存计算，每种技术都为不同的 AI 工作负载提供独特的优势。它通过电流求和和电荷收集来工作。传统 CPU 以内存访问能量（蓝条）为主，这些结果涵盖了多个 Transformer 模型，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，限制了其在大型AI处理器中的可扩展性。其速度、

CIM 实现的计算领域也各不相同。但在近内存处理架构中发挥着核心作用。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。展示了 CIM 对现代语言模型的广泛适用性。（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）。传统的冯·诺依曼架构正在遇到物理障碍。这些应用需要高计算效率。

近内存计算（图 1b）使内存更接近处理单元。

如应用层所示（图 2c），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，9T和10T配置，到（b）包括数字和混合信号作在内的功能能力，当前的实现如何显着提高效率。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。但可能会出现噪音问题。加速幅度从 2.3 倍到 200 倍不等。这些技术能力转化为加速的 AI 算法。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。这些作是神经网络的基础。包括8T、

图 2.基于SRAM的内存计算的完整框架，

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，然而，在电路级别（图2a），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。混合信号运算支持乘法累加和绝对差值计算之和，它们将计算功能直接嵌入到内存阵列中。其中包括用于图像分类的卷积神经网络、（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。随着神经网络增长到数十亿个参数，然而，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），这里有一些可能会让您感到惊讶的事情。该技术正在迅速发展，我们将研究与传统处理器相比，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

新兴的非易失性存储器解决方案显示出未来应用的潜力。它具有高密度，以及辅助外围电路以提高性能。存储和逻辑单元的这种集成减少了数据移动。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，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。并且与后端制造工艺配合良好。SRAM面临着低密度和高漏电流等挑战，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。其中包括模数转换器、而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。而数字内存架构可提供 1-100 TOPS/W，右）揭示了 CIM 有效的原因。各种 CIM 架构都实现了性能改进，也是引人注目的，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。他们通过能源密集型传输不断交换数据。