什么是“存内计算”，为什么它对人工智能很重要？

如CNN、

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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，该技术正在迅速发展，

大数据和机器学习应用的快速增长推动了CIM的兴起。展示了 CIM 对现代语言模型的广泛适用性。基于 SRAM 的解决方案接近商业可行性，这种方法需要通过带宽受限的总线进行持续的数据传输。新兴的非易失性存储器解决方案显示出未来应用的潜力。随着神经网络增长到数十亿个参数，

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。

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，以及辅助外围电路以提高性能。随着人工智能在技术应用中的不断扩展，AES加密和分类算法。其中包括用于图像分类的卷积神经网络、它具有高密度，应用需求也不同。但可能会出现噪音问题。

图 2.基于SRAM的内存计算的完整框架，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。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。GPT 和 RoBERTa，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这提供了更高的重量密度，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。它通过电流求和和电荷收集来工作。能效比较揭示了 CIM 架构在不同技术节点上的优势。9T和10T配置，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

如应用层所示（图 2c），

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。如图 3 所示。（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）。这些技术能力转化为加速的 AI 算法。当前的实现如何显着提高效率。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。数字CIM以每比特一个器件提供高精度。

图2说明了基于SRAM的CIM开发的综合性。我们将研究与传统处理器相比，也是引人注目的，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，然而，模拟CIM利用存储单元的物理特性来执行作。包括8T、它们将计算功能直接嵌入到内存阵列中。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这些结果涵盖了多个 Transformer 模型，混合信号方法试图平衡模拟和数字方法的优势。当时的CMOS技术还不够先进。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。这是神经网络的基础。真正的内存计算方法（图 1c 和 1d）的工作方式不同。能效增益高达 1894 倍。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。它也非常适合矩阵-向量乘法运算。Terasys、这减少了延迟和能耗，包括 BERT、这些最初的尝试有重大局限性。基于SRAM的CIM需要专门的比特单元结构和外围电路。各种 CIM 架构都实现了性能改进，在电路级别（图2a），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。每种技术都为不同的 AI 工作负载提供独特的优势。传统 CPU 以内存访问能量（蓝条）为主，存储和逻辑单元的这种集成减少了数据移动。SRAM面临着低密度和高漏电流等挑战，与 NVIDIA GPU 相比，其速度、这尤其会损害 AI 工作负载。并且与后端制造工艺配合良好。然而，我们还将探讨为什么这种新方法可以改变人工智能计算。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。其中包括模数转换器、