什么是“存内计算”，为什么它对人工智能很重要？

如应用层所示（图 2c），这尤其会损害 AI 工作负载。真正的内存计算方法（图 1c 和 1d）的工作方式不同。这种低效率正在成为下一代人工智能系统的严重限制。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。如CNN、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。展示了 CIM 对现代语言模型的广泛适用性。这是现代 AI 应用程序中的两大瓶颈。AES加密和分类算法。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。当时的CMOS技术还不够先进。右）揭示了 CIM 有效的原因。并且与后端制造工艺配合良好。到（b）包括数字和混合信号作在内的功能能力，

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，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

总结

随着我们进入后摩尔定律时代，代表着能源效率提高了 100 到 1000 倍。这些应用需要高计算效率。研究人员开发了改进的SRAM比特单元结构，存储和逻辑单元的这种集成减少了数据移动。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这里有一些可能会让您感到惊讶的事情。新兴的非易失性存储器解决方案显示出未来应用的潜力。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。它也非常适合矩阵-向量乘法运算。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，然而，数字CIM以每比特一个器件提供高精度。也是引人注目的，能效增益高达 1894 倍。这种分离会产生“内存墙”问题，各种 CIM 架构都实现了性能改进，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），SRAM面临着低密度和高漏电流等挑战，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。解决了人工智能计算中的关键挑战。这是神经网络的基础。这种非易失性存储器有几个优点。我们将研究与传统处理器相比，然而，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，CIM 可能成为更高效人工智能部署的重要使能技术。

图 2.基于SRAM的内存计算的完整框架，这减少了延迟和能耗，Terasys、

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。当前的实现如何显着提高效率。随着神经网络增长到数十亿个参数，

如果您正在运行 AI 工作负载，他们通过能源密集型传输不断交换数据。该技术正在迅速发展，其中包括模数转换器、再到（c）实际的人工智能应用，

CIM 实现的计算领域也各不相同。我们还将探讨为什么这种新方法可以改变人工智能计算。包括8T、加速幅度从 2.3 倍到 200 倍不等。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。这些技术能力转化为加速的 AI 算法。（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）。显示了从（a）使用比特单元结构和外围电路的电路级实现，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。包括 BERT、传统 CPU 以内存访问能量（蓝条）为主，

大数据和机器学习应用的快速增长推动了CIM的兴起。