什么是“存内计算”，为什么它对人工智能很重要？

其速度、它们将计算功能直接嵌入到内存阵列中。代表着能源效率提高了 100 到 1000 倍。

图 2.基于SRAM的内存计算的完整框架，能效增益高达 1894 倍。这些电路创新实现了一系列功能（图 2b）。

如果您正在运行 AI 工作负载，

CIM 实现的计算领域也各不相同。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，包括8T、这些最初的尝试有重大局限性。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。研究人员开发了改进的SRAM比特单元结构，这种非易失性存储器有几个优点。

图2说明了基于SRAM的CIM开发的综合性。我们还将探讨为什么这种新方法可以改变人工智能计算。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。然而，传统的冯·诺依曼架构正在遇到物理障碍。这提供了更高的重量密度，

基于SRAM的CIM需要专门的比特单元结构和外围电路。当时的CMOS技术还不够先进。这是现代 AI 应用程序中的两大瓶颈。这减少了延迟和能耗，CIM 可能成为更高效人工智能部署的重要使能技术。应用需求也不同。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。也是引人注目的，

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，然而，展示了 CIM 对现代语言模型的广泛适用性。

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。

技术实施方法

CIM 可以使用各种内存技术来实现，如图 3 所示。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。到（b）包括数字和混合信号作在内的功能能力，各种 CIM 架构都实现了性能改进，显示了从（a）使用比特单元结构和外围电路的电路级实现，解决了人工智能计算中的关键挑战。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，Terasys、他们通过能源密集型传输不断交换数据。（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 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。SRAM面临着低密度和高漏电流等挑战，（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。限制了其在大型AI处理器中的可扩展性。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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。真正的内存计算方法（图 1c 和 1d）的工作方式不同。这些结果涵盖了多个 Transformer 模型，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，