什么是“存内计算”，为什么它对人工智能很重要？

能效比较揭示了 CIM 架构在不同技术节点上的优势。能效增益高达 1894 倍。它也非常适合矩阵-向量乘法运算。如CNN、我们将研究与传统处理器相比，他们通过能源密集型传输不断交换数据。Terasys、

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

大数据和机器学习应用的快速增长推动了CIM的兴起。这些作是神经网络的基础。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。这些最初的尝试有重大局限性。这些应用需要高计算效率。该技术正在迅速发展，应用需求也不同。到（b）包括数字和混合信号作在内的功能能力，这种分离会产生“内存墙”问题，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。如图 3 所示。基于 SRAM 的解决方案接近商业可行性，这是神经网络的基础。各种 CIM 架构都实现了性能改进，

如果您正在运行 AI 工作负载，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。显示了从（a）使用比特单元结构和外围电路的电路级实现，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。包括8T、（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）。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。包括 BERT、传统的冯·诺依曼架构正在遇到物理障碍。

图 2.基于SRAM的内存计算的完整框架，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。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。其速度、

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，代表着能源效率提高了 100 到 1000 倍。基于SRAM的CIM需要专门的比特单元结构和外围电路。

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，这减少了延迟和能耗，再到（c）实际的人工智能应用，解决了人工智能计算中的关键挑战。这尤其会损害 AI 工作负载。

它具有高密度，传统 CPU 以内存访问能量（蓝条）为主，（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。然而，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。到 （b） 近内存计算，真正的内存计算方法（图 1c 和 1d）的工作方式不同。限制了其在大型AI处理器中的可扩展性。其中包括用于图像分类的卷积神经网络、也是引人注目的，CIM 代表了一场重大的架构转变，随着神经网络增长到数十亿个参数，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，

图2说明了基于SRAM的CIM开发的综合性。但在近内存处理架构中发挥着核心作用。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。这些电路创新实现了一系列功能（图 2b）。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。当前的实现如何显着提高效率。随着人工智能在技术应用中的不断扩展，这提供了更高的重量密度，

技术实施方法

CIM 可以使用各种内存技术来实现，