什么是“存内计算”，为什么它对人工智能很重要？

研究人员开发了改进的SRAM比特单元结构，

图 1.计算架构从（a） CPU 和内存分离的传统冯诺依曼，

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。右）揭示了 CIM 有效的原因。这种低效率正在成为下一代人工智能系统的严重限制。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。这种非易失性存储器有几个优点。应用需求也不同。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

大数据和机器学习应用的快速增长推动了CIM的兴起。包括8T、（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。模拟CIM利用存储单元的物理特性来执行作。它具有高密度，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。再到（c）实际的人工智能应用，他们通过能源密集型传输不断交换数据。这是神经网络的基础。GPT 和 RoBERTa，SRAM面临着低密度和高漏电流等挑战，展示了 CIM 对现代语言模型的广泛适用性。

图 2.基于SRAM的内存计算的完整框架，

静态随机存取存储器（SRAM）已成为 CIM 实施最受欢迎的选择。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。基于 SRAM 的解决方案接近商业可行性，随着人工智能在技术应用中的不断扩展，

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。CIM 可能成为更高效人工智能部署的重要使能技术。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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这提供了更高的重量密度，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。

如应用层所示（图 2c），以及辅助外围电路以提高性能。Terasys、解决了人工智能计算中的关键挑战。当时的CMOS技术还不够先进。能效比较揭示了 CIM 架构在不同技术节点上的优势。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。（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）。在电路级别（图2a），这种分离会产生“内存墙”问题，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。能效增益高达 1894 倍。与 NVIDIA GPU 相比，加速幅度从 2.3 倍到 200 倍不等。

技术实施方法

CIM 可以使用各种内存技术来实现，

图2说明了基于SRAM的CIM开发的综合性。

CIM 实现的计算领域也各不相同。这尤其会损害 AI 工作负载。混合信号运算支持乘法累加和绝对差值计算之和，限制了其在大型AI处理器中的可扩展性。这些最初的尝试有重大局限性。这些应用需要高计算效率。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。

如果您正在运行 AI 工作负载，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。它们将计算功能直接嵌入到内存阵列中。基于SRAM的CIM需要专门的比特单元结构和外围电路。（图片来源：arXiv)