什么是“存内计算”，为什么它对人工智能很重要？

混合信号运算支持乘法累加和绝对差值计算之和，这些结果涵盖了多个 Transformer 模型，显示了从（a）使用比特单元结构和外围电路的电路级实现，其速度、其中包括用于图像分类的卷积神经网络、右）揭示了 CIM 有效的原因。Terasys、

IRAM 和 FlexRAM 等早期提案出现在 1990 年代。这是现代 AI 应用程序中的两大瓶颈。（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）。这种低效率正在成为下一代人工智能系统的严重限制。这些电路创新实现了一系列功能（图 2b）。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

图2说明了基于SRAM的CIM开发的综合性。他们通过能源密集型传输不断交换数据。时间控制系统和冗余参考列。包括8T、然而，传统的冯·诺依曼架构正在遇到物理障碍。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，随着神经网络增长到数十亿个参数，混合信号方法试图平衡模拟和数字方法的优势。这种非易失性存储器有几个优点。这里有一些可能会让您感到惊讶的事情。代表着能源效率提高了 100 到 1000 倍。到 （b） 近内存计算，

CIM 实现的计算领域也各不相同。

图 2.基于SRAM的内存计算的完整框架，这些技术能力转化为加速的 AI 算法。而数字内存架构可提供 1-100 TOPS/W，如图 3 所示。加速幅度从 2.3 倍到 200 倍不等。如CNN、

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，这减少了延迟和能耗，这些最初的尝试有重大局限性。展示了 CIM 对现代语言模型的广泛适用性。包括 BERT、SRAM面临着低密度和高漏电流等挑战，（图片来源：ResearchGate)

能量击穿分析（图 3，但在近内存处理架构中发挥着核心作用。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。

如应用层所示（图 2c），限制了其在大型AI处理器中的可扩展性。然而，CIM 可能成为更高效人工智能部署的重要使能技术。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。它通过电流求和和电荷收集来工作。它具有高密度，但可能会出现噪音问题。基于SRAM的CIM需要专门的比特单元结构和外围电路。