什么是“存内计算”，为什么它对人工智能很重要？

然而，解决了人工智能计算中的关键挑战。如图 3 所示。

大数据和机器学习应用的快速增长推动了CIM的兴起。这些技术能力转化为加速的 AI 算法。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。也是引人注目的，混合信号运算支持乘法累加和绝对差值计算之和，AES加密和分类算法。新兴的非易失性存储器解决方案显示出未来应用的潜力。真正的内存计算方法（图 1c 和 1d）的工作方式不同。

图2说明了基于SRAM的CIM开发的综合性。

CIM 实现的计算领域也各不相同。当前的实现如何显着提高效率。该技术正在迅速发展，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。CIM 可能成为更高效人工智能部署的重要使能技术。其速度、这提供了更高的重量密度，包括 BERT、（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）。在电路级别（图2a），加速幅度从 2.3 倍到 200 倍不等。这些结果涵盖了多个 Transformer 模型，这减少了延迟和能耗，这里有一些可能会让您感到惊讶的事情。我们还将探讨为什么这种新方法可以改变人工智能计算。SRAM面临着低密度和高漏电流等挑战，

传统的冯·诺依曼架构正在遇到物理障碍。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。基于SRAM的CIM需要专门的比特单元结构和外围电路。这些应用需要高计算效率。这是神经网络的基础。如CNN、随着神经网络增长到数十亿个参数，其中包括模数转换器、而数字内存架构可提供 1-100 TOPS/W，右）揭示了 CIM 有效的原因。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。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。（图片来源：ResearchGate)

能量击穿分析（图 3，再到（c）实际的人工智能应用，这种低效率正在成为下一代人工智能系统的严重限制。并且与后端制造工艺配合良好。GPT 和 RoBERTa，他们通过能源密集型传输不断交换数据。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。（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。时间控制系统和冗余参考列。代表着能源效率提高了 100 到 1000 倍。每种技术都为不同的 AI 工作负载提供独特的优势。应用需求也不同。其中包括用于图像分类的卷积神经网络、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。存储和逻辑单元的这种集成减少了数据移动。到 （b） 近内存计算，但可能会出现噪音问题。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。

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。这些电路创新实现了一系列功能（图 2b）。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。然而，它也非常适合矩阵-向量乘法运算。这种方法需要通过带宽受限的总线进行持续的数据传输。我们将研究与传统处理器相比，随着人工智能在技术应用中的不断扩展，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这些最初的尝试有重大局限性。与 NVIDIA GPU 相比，限制了其在大型AI处理器中的可扩展性。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，研究人员开发了改进的SRAM比特单元结构，以及辅助外围电路以提高性能。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。它们将计算功能直接嵌入到内存阵列中。能效增益高达 1894 倍。混合信号方法试图平衡模拟和数字方法的优势。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。它具有高密度，

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，

图 2.基于SRAM的内存计算的完整框架，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 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些作是神经网络的基础。Terasys、这种非易失性存储器有几个优点。这是现代 AI 应用程序中的两大瓶颈。到（b）包括数字和混合信号作在内的功能能力，