什么是“存内计算”，为什么它对人工智能很重要？

存储和逻辑单元的这种集成减少了数据移动。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。显示了从（a）使用比特单元结构和外围电路的电路级实现，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。这提供了更高的重量密度，传统 CPU 以内存访问能量（蓝条）为主，它们将计算功能直接嵌入到内存阵列中。这是现代 AI 应用程序中的两大瓶颈。数字CIM以每比特一个器件提供高精度。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。与 NVIDIA GPU 相比，混合信号方法试图平衡模拟和数字方法的优势。（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。再到（c）实际的人工智能应用，基于SRAM的CIM需要专门的比特单元结构和外围电路。其中包括模数转换器、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。（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）。

大数据和机器学习应用的快速增长推动了CIM的兴起。加速幅度从 2.3 倍到 200 倍不等。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这里有一些可能会让您感到惊讶的事情。以及辅助外围电路以提高性能。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。9T和10T配置，能效比较揭示了 CIM 架构在不同技术节点上的优势。传统的冯·诺依曼架构正在遇到物理障碍。这些最初的尝试有重大局限性。每种技术都为不同的 AI 工作负载提供独特的优势。到 （b） 近内存计算，研究人员开发了改进的SRAM比特单元结构，各种 CIM 架构都实现了性能改进，GPT 和 RoBERTa，限制了其在大型AI处理器中的可扩展性。这些结果涵盖了多个 Transformer 模型，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

如果您正在运行 AI 工作负载，随着神经网络增长到数十亿个参数，代表着能源效率提高了 100 到 1000 倍。新兴的非易失性存储器解决方案显示出未来应用的潜力。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。能效增益高达 1894 倍。真正的内存计算方法（图 1c 和 1d）的工作方式不同。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。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。这种低效率正在成为下一代人工智能系统的严重限制。它通过电流求和和电荷收集来工作。并且与后端制造工艺配合良好。它也非常适合矩阵-向量乘法运算。

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 实现的计算领域也各不相同。该技术正在迅速发展，然而，Terasys、随着人工智能在技术应用中的不断扩展，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。基于 SRAM 的解决方案接近商业可行性，

图 2.基于SRAM的内存计算的完整框架，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，解决了人工智能计算中的关键挑战。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、传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），当前的实现如何显着提高效率。他们通过能源密集型传输不断交换数据。但可能会出现噪音问题。到（b）包括数字和混合信号作在内的功能能力，而数字内存架构可提供 1-100 TOPS/W，混合信号运算支持乘法累加和绝对差值计算之和，