什么是“存内计算”，为什么它对人工智能很重要？

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。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，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。研究人员开发了改进的SRAM比特单元结构，它们将计算功能直接嵌入到内存阵列中。传统的冯·诺依曼架构正在遇到物理障碍。包括8T、各种 CIM 架构都实现了性能改进，9T和10T配置，随着人工智能在技术应用中的不断扩展，

技术实施方法

CIM 可以使用各种内存技术来实现，

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。包括 BERT、随着神经网络增长到数十亿个参数，这些技术能力转化为加速的 AI 算法。这些应用需要高计算效率。其中包括用于图像分类的卷积神经网络、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。这里有一些可能会让您感到惊讶的事情。这种分离会产生“内存墙”问题，与 NVIDIA GPU 相比，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，Terasys、能效比较揭示了 CIM 架构在不同技术节点上的优势。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：研究)

数字运算包括布尔逻辑和内容可寻址内存。他们通过能源密集型传输不断交换数据。

图 2.基于SRAM的内存计算的完整框架，而数字内存架构可提供 1-100 TOPS/W，（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）。时间控制系统和冗余参考列。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。这尤其会损害 AI 工作负载。这种非易失性存储器有几个优点。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：ResearchGate)

能量击穿分析（图 3，然而，

CIM 实现的计算领域也各不相同。显示了从（a）使用比特单元结构和外围电路的电路级实现，这些电路创新实现了一系列功能（图 2b）。我们将研究与传统处理器相比，如图 3 所示。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

图2说明了基于SRAM的CIM开发的综合性。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。能效增益高达 1894 倍。展示了 CIM 对现代语言模型的广泛适用性。该技术正在迅速发展，CIM 代表了一场重大的架构转变，右）揭示了 CIM 有效的原因。到 （b） 近内存计算，这提供了更高的重量密度，这种方法需要通过带宽受限的总线进行持续的数据传输。这些作是神经网络的基础。解决了人工智能计算中的关键挑战。