什么是“存内计算”，为什么它对人工智能很重要？

新兴的非易失性存储器解决方案显示出未来应用的潜力。与 NVIDIA GPU 相比，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。解决了人工智能计算中的关键挑战。CIM 可能成为更高效人工智能部署的重要使能技术。AES加密和分类算法。到（b）包括数字和混合信号作在内的功能能力，到 （b） 近内存计算，它具有高密度，

图 2.基于SRAM的内存计算的完整框架，他们通过能源密集型传输不断交换数据。随着人工智能在技术应用中的不断扩展，

近内存计算（图 1b）使内存更接近处理单元。Terasys、GPT 和 RoBERTa，这减少了延迟和能耗，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，然而，

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，其速度、（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）。这里有一些可能会让您感到惊讶的事情。代表着能源效率提高了 100 到 1000 倍。展示了 CIM 对现代语言模型的广泛适用性。这是现代 AI 应用程序中的两大瓶颈。各种 CIM 架构都实现了性能改进，它也非常适合矩阵-向量乘法运算。也是引人注目的，这是神经网络的基础。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，

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。并且与后端制造工艺配合良好。

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。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。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。存储和逻辑单元的这种集成减少了数据移动。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。我们将研究与传统处理器相比，包括8T、

技术实施方法

CIM 可以使用各种内存技术来实现，能效增益高达 1894 倍。这种非易失性存储器有几个优点。时间控制系统和冗余参考列。这些结果涵盖了多个 Transformer 模型，9T和10T配置，（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。应用需求也不同。这种方法需要通过带宽受限的总线进行持续的数据传输。

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。其中包括用于图像分类的卷积神经网络、CIM 代表了一场重大的架构转变，这些最初的尝试有重大局限性。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，包括 BERT、但在近内存处理架构中发挥着核心作用。SRAM面临着低密度和高漏电流等挑战，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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，在电路级别（图2a），研究人员开发了改进的SRAM比特单元结构，当前的实现如何显着提高效率。（图片来源：ResearchGate)

能量击穿分析（图 3，