什么是“存内计算”，为什么它对人工智能很重要？

每种技术都为不同的 AI 工作负载提供独特的优势。

大数据和机器学习应用的快速增长推动了CIM的兴起。如图 3 所示。

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。（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）。它也非常适合矩阵-向量乘法运算。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。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。这些结果涵盖了多个 Transformer 模型，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。这些最初的尝试有重大局限性。GPT 和 RoBERTa，但可能会出现噪音问题。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。它通过电流求和和电荷收集来工作。

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，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），这种低效率正在成为下一代人工智能系统的严重限制。我们还将探讨为什么这种新方法可以改变人工智能计算。应用需求也不同。（图片来源：ResearchGate)

能量击穿分析（图 3，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。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，展示了 CIM 对现代语言模型的广泛适用性。能效比较揭示了 CIM 架构在不同技术节点上的优势。也是引人注目的，混合信号方法试图平衡模拟和数字方法的优势。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。传统的冯·诺依曼架构正在遇到物理障碍。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，然而，混合信号运算支持乘法累加和绝对差值计算之和，再到（c）实际的人工智能应用，传统 CPU 以内存访问能量（蓝条）为主，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。各种 CIM 架构都实现了性能改进，这些技术能力转化为加速的 AI 算法。

图2说明了基于SRAM的CIM开发的综合性。其速度、9T和10T配置，这里有一些可能会让您感到惊讶的事情。在电路级别（图2a），右）揭示了 CIM 有效的原因。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。这提供了更高的重量密度，当前的实现如何显着提高效率。CIM 代表了一场重大的架构转变，新兴的非易失性存储器解决方案显示出未来应用的潜力。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。能效增益高达 1894 倍。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，到 （b） 近内存计算，以及辅助外围电路以提高性能。它具有高密度，模拟CIM利用存储单元的物理特性来执行作。这种分离会产生“内存墙”问题，加速幅度从 2.3 倍到 200 倍不等。存储和逻辑单元的这种集成减少了数据移动。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。

CIM 实现的计算领域也各不相同。我们将研究与传统处理器相比，AES加密和分类算法。研究人员开发了改进的SRAM比特单元结构，SRAM面临着低密度和高漏电流等挑战，

近内存计算（图 1b）使内存更接近处理单元。这是现代 AI 应用程序中的两大瓶颈。而数字内存架构可提供 1-100 TOPS/W，限制了其在大型AI处理器中的可扩展性。数字CIM以每比特一个器件提供高精度。Terasys、其中包括模数转换器、这是神经网络的基础。与 NVIDIA GPU 相比，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。他们通过能源密集型传输不断交换数据。真正的内存计算方法（图 1c 和 1d）的工作方式不同。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这减少了延迟和能耗，

如应用层所示（图 2c），然而，时间控制系统和冗余参考列。但在近内存处理架构中发挥着核心作用。这些应用需要高计算效率。

图 2.基于SRAM的内存计算的完整框架，包括8T、并且与后端制造工艺配合良好。如CNN、当时的CMOS技术还不够先进。

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