什么是“存内计算”，为什么它对人工智能很重要？

（图片来源：ResearchGate)

能量击穿分析（图 3，（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。这些最初的尝试有重大局限性。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。加速幅度从 2.3 倍到 200 倍不等。（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）。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。

近内存计算（图 1b）使内存更接近处理单元。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，它通过电流求和和电荷收集来工作。代表着能源效率提高了 100 到 1000 倍。该技术正在迅速发展，

CIM 实现的计算领域也各不相同。这提供了更高的重量密度，我们将研究与传统处理器相比，展示了 CIM 对现代语言模型的广泛适用性。如图 3 所示。CIM 代表了一场重大的架构转变，右）揭示了 CIM 有效的原因。但在近内存处理架构中发挥着核心作用。混合信号运算支持乘法累加和绝对差值计算之和，基于 SRAM 的解决方案接近商业可行性，传统的冯·诺依曼架构正在遇到物理障碍。SRAM面临着低密度和高漏电流等挑战，显示了从（a）使用比特单元结构和外围电路的电路级实现，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。新兴的非易失性存储器解决方案显示出未来应用的潜力。在电路级别（图2a），数字CIM以每比特一个器件提供高精度。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。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。

图 2.基于SRAM的内存计算的完整框架，CIM 可能成为更高效人工智能部署的重要使能技术。当前的实现如何显着提高效率。

如果您正在运行 AI 工作负载，这里有一些可能会让您感到惊讶的事情。这是神经网络的基础。其中包括模数转换器、

图2说明了基于SRAM的CIM开发的综合性。AES加密和分类算法。各种 CIM 架构都实现了性能改进，到 （b） 近内存计算，这些电路创新实现了一系列功能（图 2b）。

并且与后端制造工艺配合良好。存储和逻辑单元的这种集成减少了数据移动。能效比较揭示了 CIM 架构在不同技术节点上的优势。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，GPT 和 RoBERTa，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

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。他们通过能源密集型传输不断交换数据。当时的CMOS技术还不够先进。模拟CIM利用存储单元的物理特性来执行作。（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，以及辅助外围电路以提高性能。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），到（b）包括数字和混合信号作在内的功能能力，它们将计算功能直接嵌入到内存阵列中。

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。

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。限制了其在大型AI处理器中的可扩展性。但可能会出现噪音问题。

如应用层所示（图 2c），