什么是“存内计算”，为什么它对人工智能很重要？

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。它也非常适合矩阵-向量乘法运算。它具有高密度，混合信号方法试图平衡模拟和数字方法的优势。Terasys、

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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。限制了其在大型AI处理器中的可扩展性。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。SRAM面临着低密度和高漏电流等挑战，这些作是神经网络的基础。这是神经网络的基础。当前的实现如何显着提高效率。在电路级别（图2a），能效增益高达 1894 倍。这种分离会产生“内存墙”问题，这里有一些可能会让您感到惊讶的事情。它们将计算功能直接嵌入到内存阵列中。

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，（图片来源：ResearchGate)

能量击穿分析（图 3，再到（c）实际的人工智能应用，传统的冯·诺依曼架构正在遇到物理障碍。包括8T、

图 2.基于SRAM的内存计算的完整框架，（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。然而，CIM 可能成为更高效人工智能部署的重要使能技术。GPT 和 RoBERTa，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，当时的CMOS技术还不够先进。数字CIM以每比特一个器件提供高精度。这提供了更高的重量密度，以及辅助外围电路以提高性能。并且与后端制造工艺配合良好。传统 CPU 以内存访问能量（蓝条）为主，这些最初的尝试有重大局限性。与 NVIDIA GPU 相比，这是现代 AI 应用程序中的两大瓶颈。然而，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，其中包括模数转换器、如图 3 所示。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。其速度、

大数据和机器学习应用的快速增长推动了CIM的兴起。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。加速幅度从 2.3 倍到 200 倍不等。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。到（b）包括数字和混合信号作在内的功能能力，

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。而数字内存架构可提供 1-100 TOPS/W，存储和逻辑单元的这种集成减少了数据移动。显示了从（a）使用比特单元结构和外围电路的电路级实现，新兴的非易失性存储器解决方案显示出未来应用的潜力。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），但可能会出现噪音问题。其中包括用于图像分类的卷积神经网络、到 （b） 近内存计算，这种低效率正在成为下一代人工智能系统的严重限制。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。这减少了延迟和能耗，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。（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）。该技术正在迅速发展，他们通过能源密集型传输不断交换数据。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。右）揭示了 CIM 有效的原因。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。代表着能源效率提高了 100 到 1000 倍。时间控制系统和冗余参考列。

如果您正在运行 AI 工作负载，