什么是“存内计算”，为什么它对人工智能很重要？

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。模拟CIM利用存储单元的物理特性来执行作。包括 BERT、但在近内存处理架构中发挥着核心作用。SRAM面临着低密度和高漏电流等挑战，这些技术能力转化为加速的 AI 算法。随着神经网络增长到数十亿个参数，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。基于SRAM的CIM需要专门的比特单元结构和外围电路。与 NVIDIA GPU 相比，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。（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）。这些作是神经网络的基础。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，混合信号运算支持乘法累加和绝对差值计算之和，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，这提供了更高的重量密度，

图 2.基于SRAM的内存计算的完整框架，这是神经网络的基础。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），能效增益高达 1894 倍。以及辅助外围电路以提高性能。它也非常适合矩阵-向量乘法运算。数字CIM以每比特一个器件提供高精度。如图 3 所示。这种方法需要通过带宽受限的总线进行持续的数据传输。

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，加速幅度从 2.3 倍到 200 倍不等。这种非易失性存储器有几个优点。这种分离会产生“内存墙”问题，

技术实施方法

CIM 可以使用各种内存技术来实现，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。他们通过能源密集型传输不断交换数据。

近内存计算（图 1b）使内存更接近处理单元。这些应用需要高计算效率。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。

并且与后端制造工艺配合良好。应用需求也不同。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。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。该技术正在迅速发展，其中包括用于图像分类的卷积神经网络、IRAM 和 FlexRAM 等早期提案出现在 1990 年代。时间控制系统和冗余参考列。其中包括模数转换器、这种低效率正在成为下一代人工智能系统的严重限制。它具有高密度，当时的CMOS技术还不够先进。其速度、展示了 CIM 对现代语言模型的广泛适用性。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。当前的实现如何显着提高效率。（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。右）揭示了 CIM 有效的原因。传统 CPU 以内存访问能量（蓝条）为主，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。这尤其会损害 AI 工作负载。这些电路创新实现了一系列功能（图 2b）。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。包括8T、我们将研究与传统处理器相比，存储和逻辑单元的这种集成减少了数据移动。它们将计算功能直接嵌入到内存阵列中。真正的内存计算方法（图 1c 和 1d）的工作方式不同。基于 SRAM 的解决方案接近商业可行性，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，这是现代 AI 应用程序中的两大瓶颈。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。混合信号方法试图平衡模拟和数字方法的优势。

如果您正在运行 AI 工作负载，Terasys、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。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。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，

大数据和机器学习应用的快速增长推动了CIM的兴起。显示了从（a）使用比特单元结构和外围电路的电路级实现，CIM 可能成为更高效人工智能部署的重要使能技术。每种技术都为不同的 AI 工作负载提供独特的优势。

图2说明了基于SRAM的CIM开发的综合性。这些结果涵盖了多个 Transformer 模型，各种 CIM 架构都实现了性能改进，而数字内存架构可提供 1-100 TOPS/W，（图片来源：ResearchGate)

能量击穿分析（图 3，但可能会出现噪音问题。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，