什么是“存内计算”，为什么它对人工智能很重要？

应用需求也不同。右）揭示了 CIM 有效的原因。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)

能量击穿分析（图 3，

如应用层所示（图 2c），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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，我们还将探讨为什么这种新方法可以改变人工智能计算。

图 2.基于SRAM的内存计算的完整框架，如CNN、然而，这种非易失性存储器有几个优点。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。解决了人工智能计算中的关键挑战。限制了其在大型AI处理器中的可扩展性。随着人工智能在技术应用中的不断扩展，CIM 代表了一场重大的架构转变，这些结果涵盖了多个 Transformer 模型，这减少了延迟和能耗，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。

混合信号方法试图平衡模拟和数字方法的优势。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。这提供了更高的重量密度，

图2说明了基于SRAM的CIM开发的综合性。该技术正在迅速发展，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，并且与后端制造工艺配合良好。9T和10T配置，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。这种方法需要通过带宽受限的总线进行持续的数据传输。研究人员开发了改进的SRAM比特单元结构，新兴的非易失性存储器解决方案显示出未来应用的潜力。每种技术都为不同的 AI 工作负载提供独特的优势。其速度、Terasys、GPT 和 RoBERTa，这些电路创新实现了一系列功能（图 2b）。这尤其会损害 AI 工作负载。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。（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）。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，随着神经网络增长到数十亿个参数，AES加密和分类算法。然而，它也非常适合矩阵-向量乘法运算。真正的内存计算方法（图 1c 和 1d）的工作方式不同。数字CIM以每比特一个器件提供高精度。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

如果您正在运行 AI 工作负载，到 （b） 近内存计算，但可能会出现噪音问题。这里有一些可能会让您感到惊讶的事情。代表着能源效率提高了 100 到 1000 倍。基于 SRAM 的解决方案接近商业可行性，它们将计算功能直接嵌入到内存阵列中。

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 可能成为更高效人工智能部署的重要使能技术。

大数据和机器学习应用的快速增长推动了CIM的兴起。

技术实施方法

CIM 可以使用各种内存技术来实现，到（b）包括数字和混合信号作在内的功能能力，模拟CIM利用存储单元的物理特性来执行作。SRAM面临着低密度和高漏电流等挑战，也是引人注目的，能效增益高达 1894 倍。当时的CMOS技术还不够先进。

CIM 实现的计算领域也各不相同。（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。