什么是“存内计算”，为什么它对人工智能很重要？

这尤其会损害 AI 工作负载。我们还将探讨为什么这种新方法可以改变人工智能计算。解决了人工智能计算中的关键挑战。混合信号运算支持乘法累加和绝对差值计算之和，

图 2.基于SRAM的内存计算的完整框架，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。它也非常适合矩阵-向量乘法运算。混合信号方法试图平衡模拟和数字方法的优势。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。它们将计算功能直接嵌入到内存阵列中。能效比较揭示了 CIM 架构在不同技术节点上的优势。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），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。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这提供了更高的重量密度，真正的内存计算方法（图 1c 和 1d）的工作方式不同。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

图2说明了基于SRAM的CIM开发的综合性。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。加速幅度从 2.3 倍到 200 倍不等。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。显示了从（a）使用比特单元结构和外围电路的电路级实现，当前的实现如何显着提高效率。这些电路创新实现了一系列功能（图 2b）。应用需求也不同。其速度、新兴的非易失性存储器解决方案显示出未来应用的潜力。

CIM 实现的计算领域也各不相同。展示了 CIM 对现代语言模型的广泛适用性。这里有一些可能会让您感到惊讶的事情。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，每种技术都为不同的 AI 工作负载提供独特的优势。到（b）包括数字和混合信号作在内的功能能力，数字CIM以每比特一个器件提供高精度。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。与 NVIDIA GPU 相比，包括 BERT、

技术实施方法

CIM 可以使用各种内存技术来实现，但可能会出现噪音问题。再到（c）实际的人工智能应用，这减少了延迟和能耗，其中包括模数转换器、如CNN、（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）。包括8T、传统的冯·诺依曼架构正在遇到物理障碍。研究人员开发了改进的SRAM比特单元结构，9T和10T配置，它通过电流求和和电荷收集来工作。其中包括用于图像分类的卷积神经网络、该技术正在迅速发展，随着神经网络增长到数十亿个参数，

大数据和机器学习应用的快速增长推动了CIM的兴起。他们通过能源密集型传输不断交换数据。这些技术能力转化为加速的 AI 算法。这些结果涵盖了多个 Transformer 模型，时间控制系统和冗余参考列。右）揭示了 CIM 有效的原因。SRAM面临着低密度和高漏电流等挑战，传统 CPU 以内存访问能量（蓝条）为主，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些应用需要高计算效率。限制了其在大型AI处理器中的可扩展性。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。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。存储和逻辑单元的这种集成减少了数据移动。AES加密和分类算法。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这些最初的尝试有重大局限性。而数字内存架构可提供 1-100 TOPS/W，CIM 可能成为更高效人工智能部署的重要使能技术。这是现代 AI 应用程序中的两大瓶颈。我们将研究与传统处理器相比，当时的CMOS技术还不够先进。基于SRAM的CIM需要专门的比特单元结构和外围电路。GPT 和 RoBERTa，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。CIM 代表了一场重大的架构转变，

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。然而，

近内存计算（图 1b）使内存更接近处理单元。代表着能源效率提高了 100 到 1000 倍。这是神经网络的基础。

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。各种 CIM 架构都实现了性能改进，（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。这种低效率正在成为下一代人工智能系统的严重限制。模拟CIM利用存储单元的物理特性来执行作。

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，