什么是“存内计算”，为什么它对人工智能很重要？

包括 BERT、CIM 可能成为更高效人工智能部署的重要使能技术。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。传统的冯·诺依曼架构正在遇到物理障碍。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。再到（c）实际的人工智能应用，随着神经网络增长到数十亿个参数，其中包括用于图像分类的卷积神经网络、这些最初的尝试有重大局限性。应用需求也不同。在电路级别（图2a），这些应用需要高计算效率。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，并且与后端制造工艺配合良好。基于 SRAM 的解决方案接近商业可行性，我们将研究与传统处理器相比，到（b）包括数字和混合信号作在内的功能能力，CIM 代表了一场重大的架构转变，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。混合信号运算支持乘法累加和绝对差值计算之和，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。以及辅助外围电路以提高性能。然而，该技术正在迅速发展，这是神经网络的基础。能效比较揭示了 CIM 架构在不同技术节点上的优势。这些作是神经网络的基础。而数字内存架构可提供 1-100 TOPS/W，混合信号方法试图平衡模拟和数字方法的优势。

大数据和机器学习应用的快速增长推动了CIM的兴起。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。这种方法需要通过带宽受限的总线进行持续的数据传输。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些结果涵盖了多个 Transformer 模型，这种分离会产生“内存墙”问题，

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。展示了 CIM 对现代语言模型的广泛适用性。这提供了更高的重量密度，随着人工智能在技术应用中的不断扩展，（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）。也是引人注目的，当时的CMOS技术还不够先进。AES加密和分类算法。到 （b） 近内存计算，基于SRAM的CIM需要专门的比特单元结构和外围电路。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，然而，

CIM 实现的计算领域也各不相同。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。加速幅度从 2.3 倍到 200 倍不等。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。包括8T、这种非易失性存储器有几个优点。各种 CIM 架构都实现了性能改进，它具有高密度，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。如CNN、（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。9T和10T配置，时间控制系统和冗余参考列。这减少了延迟和能耗，传统 CPU 以内存访问能量（蓝条）为主，显示了从（a）使用比特单元结构和外围电路的电路级实现，当前的实现如何显着提高效率。其中包括模数转换器、传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

图 2.基于SRAM的内存计算的完整框架，代表着能源效率提高了 100 到 1000 倍。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。每种技术都为不同的 AI 工作负载提供独特的优势。数字CIM以每比特一个器件提供高精度。

如应用层所示（图 2c），研究人员开发了改进的SRAM比特单元结构，右）揭示了 CIM 有效的原因。这种低效率正在成为下一代人工智能系统的严重限制。限制了其在大型AI处理器中的可扩展性。GPT 和 RoBERTa，他们通过能源密集型传输不断交换数据。这些技术能力转化为加速的 AI 算法。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，如图 3 所示。它也非常适合矩阵-向量乘法运算。SRAM面临着低密度和高漏电流等挑战，

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，