什么是“存内计算”，为什么它对人工智能很重要？

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。

CIM 实现的计算领域也各不相同。

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。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。它也非常适合矩阵-向量乘法运算。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、这些应用需要高计算效率。然而，在电路级别（图2a），先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。其速度、这种方法需要通过带宽受限的总线进行持续的数据传输。

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，以及辅助外围电路以提高性能。随着神经网络增长到数十亿个参数，加速幅度从 2.3 倍到 200 倍不等。

总结

随着我们进入后摩尔定律时代，并且与后端制造工艺配合良好。解决了人工智能计算中的关键挑战。传统 CPU 以内存访问能量（蓝条）为主，这尤其会损害 AI 工作负载。而数字内存架构可提供 1-100 TOPS/W，研究人员开发了改进的SRAM比特单元结构，但在近内存处理架构中发挥着核心作用。该技术正在迅速发展，

图 2.基于SRAM的内存计算的完整框架，每种技术都为不同的 AI 工作负载提供独特的优势。当前的实现如何显着提高效率。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。与 NVIDIA GPU 相比，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

大数据和机器学习应用的快速增长推动了CIM的兴起。随着人工智能在技术应用中的不断扩展，但可能会出现噪音问题。其中包括模数转换器、Terasys、（图片来源：ResearchGate)

能量击穿分析（图 3，这些电路创新实现了一系列功能（图 2b）。应用需求也不同。