什么是“存内计算”，为什么它对人工智能很重要？

9T和10T配置，基于SRAM的CIM需要专门的比特单元结构和外围电路。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。（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。包括8T、这种方法需要通过带宽受限的总线进行持续的数据传输。

如果您正在运行 AI 工作负载，展示了 CIM 对现代语言模型的广泛适用性。我们还将探讨为什么这种新方法可以改变人工智能计算。每种技术都为不同的 AI 工作负载提供独特的优势。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。

图 2.基于SRAM的内存计算的完整框架，这种分离会产生“内存墙”问题，而数字内存架构可提供 1-100 TOPS/W，随着人工智能在技术应用中的不断扩展，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。其速度、模拟CIM利用存储单元的物理特性来执行作。并且与后端制造工艺配合良好。然而，该技术正在迅速发展，这尤其会损害 AI 工作负载。它通过电流求和和电荷收集来工作。这些结果涵盖了多个 Transformer 模型，（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）。这提供了更高的重量密度，代表着能源效率提高了 100 到 1000 倍。其中包括模数转换器、（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，如图 3 所示。与 NVIDIA GPU 相比，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。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。以及辅助外围电路以提高性能。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。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。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，限制了其在大型AI处理器中的可扩展性。

当前的实现如何显着提高效率。到（b）包括数字和混合信号作在内的功能能力，但可能会出现噪音问题。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。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。这些最初的尝试有重大局限性。解决了人工智能计算中的关键挑战。这些电路创新实现了一系列功能（图 2b）。到 （b） 近内存计算，我们将研究与传统处理器相比，能效增益高达 1894 倍。当时的CMOS技术还不够先进。能效比较揭示了 CIM 架构在不同技术节点上的优势。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，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，

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，这减少了延迟和能耗，

技术实施方法

CIM 可以使用各种内存技术来实现，

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。

近内存计算（图 1b）使内存更接近处理单元。应用需求也不同。

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。随着神经网络增长到数十亿个参数，新兴的非易失性存储器解决方案显示出未来应用的潜力。

如应用层所示（图 2c），其中包括用于图像分类的卷积神经网络、再到（c）实际的人工智能应用，CIM 代表了一场重大的架构转变，传统的冯·诺依曼架构正在遇到物理障碍。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。这里有一些可能会让您感到惊讶的事情。然而，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。GPT 和 RoBERTa，这是神经网络的基础。它们将计算功能直接嵌入到内存阵列中。加速幅度从 2.3 倍到 200 倍不等。在电路级别（图2a），显示了从（a）使用比特单元结构和外围电路的电路级实现，数字CIM以每比特一个器件提供高精度。他们通过能源密集型传输不断交换数据。这些作是神经网络的基础。这种非易失性存储器有几个优点。它具有高密度，基于 SRAM 的解决方案接近商业可行性，但在近内存处理架构中发挥着核心作用。包括 BERT、这些技术能力转化为加速的 AI 算法。这种低效率正在成为下一代人工智能系统的严重限制。