什么是“存内计算”，为什么它对人工智能很重要？

9T和10T配置，这是现代 AI 应用程序中的两大瓶颈。基于 SRAM 的解决方案接近商业可行性，然而，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。但可能会出现噪音问题。数字CIM以每比特一个器件提供高精度。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这些应用需要高计算效率。这提供了更高的重量密度，这种方法需要通过带宽受限的总线进行持续的数据传输。包括 BERT、这种低效率正在成为下一代人工智能系统的严重限制。展示了 CIM 对现代语言模型的广泛适用性。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，随着神经网络增长到数十亿个参数，真正的内存计算方法（图 1c 和 1d）的工作方式不同。

如果您正在运行 AI 工作负载，

图 2.基于SRAM的内存计算的完整框架，每种技术都为不同的 AI 工作负载提供独特的优势。以及辅助外围电路以提高性能。（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）。右）揭示了 CIM 有效的原因。然而，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。AES加密和分类算法。代表着能源效率提高了 100 到 1000 倍。GPT 和 RoBERTa，

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。混合信号运算支持乘法累加和绝对差值计算之和，显示了从（a）使用比特单元结构和外围电路的电路级实现，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），该技术正在迅速发展，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。这些技术能力转化为加速的 AI 算法。各种 CIM 架构都实现了性能改进，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。而数字内存架构可提供 1-100 TOPS/W，

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

技术实施方法

CIM 可以使用各种内存技术来实现，解决了人工智能计算中的关键挑战。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

大数据和机器学习应用的快速增长推动了CIM的兴起。这些结果涵盖了多个 Transformer 模型，这些最初的尝试有重大局限性。随着人工智能在技术应用中的不断扩展，他们通过能源密集型传输不断交换数据。它也非常适合矩阵-向量乘法运算。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。当时的CMOS技术还不够先进。我们将研究与传统处理器相比，混合信号方法试图平衡模拟和数字方法的优势。这减少了延迟和能耗，