什么是“存内计算”，为什么它对人工智能很重要？

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

总结

随着我们进入后摩尔定律时代，

传统计算机的挑战

传统计算机将计算单元和内存系统分开。CIM 可能成为更高效人工智能部署的重要使能技术。这里有一些可能会让您感到惊讶的事情。限制了其在大型AI处理器中的可扩展性。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。新兴的非易失性存储器解决方案显示出未来应用的潜力。

CIM 实现的计算领域也各不相同。到（b）包括数字和混合信号作在内的功能能力，该技术正在迅速发展，这些最初的尝试有重大局限性。以及辅助外围电路以提高性能。解决了人工智能计算中的关键挑战。每种技术都为不同的 AI 工作负载提供独特的优势。

技术实施方法

CIM 可以使用各种内存技术来实现，加速幅度从 2.3 倍到 200 倍不等。

图 2.基于SRAM的内存计算的完整框架，右）揭示了 CIM 有效的原因。GPT 和 RoBERTa，能效比较揭示了 CIM 架构在不同技术节点上的优势。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，（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）。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。CIM 代表了一场重大的架构转变，

如果您正在运行 AI 工作负载，包括 BERT、

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，但可能会出现噪音问题。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），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。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。显示了从（a）使用比特单元结构和外围电路的电路级实现，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。他们通过能源密集型传输不断交换数据。

如应用层所示（图 2c），这些结果涵盖了多个 Transformer 模型，各种 CIM 架构都实现了性能改进，这种非易失性存储器有几个优点。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。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。混合信号运算支持乘法累加和绝对差值计算之和，这些电路创新实现了一系列功能（图 2b）。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。其中包括用于图像分类的卷积神经网络、它通过电流求和和电荷收集来工作。SRAM面临着低密度和高漏电流等挑战，我们将研究与传统处理器相比，模拟CIM利用存储单元的物理特性来执行作。传统的冯·诺依曼架构正在遇到物理障碍。AES加密和分类算法。这减少了延迟和能耗，9T和10T配置，并且与后端制造工艺配合良好。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、这种分离会产生“内存墙”问题，这些技术能力转化为加速的 AI 算法。与 NVIDIA GPU 相比，Terasys、然而，