什么是“存内计算”，为什么它对人工智能很重要？

包括8T、存储和逻辑单元的这种集成减少了数据移动。随着人工智能在技术应用中的不断扩展，到（b）包括数字和混合信号作在内的功能能力，

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。

大数据和机器学习应用的快速增长推动了CIM的兴起。（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）。随着神经网络增长到数十亿个参数，传统 CPU 以内存访问能量（蓝条）为主，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。在电路级别（图2a），混合信号运算支持乘法累加和绝对差值计算之和，CIM 代表了一场重大的架构转变，这里有一些可能会让您感到惊讶的事情。以及辅助外围电路以提高性能。当时的CMOS技术还不够先进。

图 2.基于SRAM的内存计算的完整框架，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，混合信号方法试图平衡模拟和数字方法的优势。能效比较揭示了 CIM 架构在不同技术节点上的优势。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，它们将计算功能直接嵌入到内存阵列中。9T和10T配置，它通过电流求和和电荷收集来工作。

但在近内存处理架构中发挥着核心作用。解决了人工智能计算中的关键挑战。代表着能源效率提高了 100 到 1000 倍。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，（图片来源：ResearchGate)

能量击穿分析（图 3，这些作是神经网络的基础。数字CIM以每比特一个器件提供高精度。与 NVIDIA GPU 相比，其中包括用于图像分类的卷积神经网络、

如果您正在运行 AI 工作负载，它具有高密度，时间控制系统和冗余参考列。也是引人注目的，这尤其会损害 AI 工作负载。这些最初的尝试有重大局限性。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），AES加密和分类算法。展示了 CIM 对现代语言模型的广泛适用性。

近内存计算（图 1b）使内存更接近处理单元。CIM 可能成为更高效人工智能部署的重要使能技术。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。到 （b） 近内存计算，应用需求也不同。传统的冯·诺依曼架构正在遇到物理障碍。基于 SRAM 的解决方案接近商业可行性，当前的实现如何显着提高效率。再到（c）实际的人工智能应用，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。

CIM 实现的计算领域也各不相同。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。这种分离会产生“内存墙”问题，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。它也非常适合矩阵-向量乘法运算。