什么是“存内计算”，为什么它对人工智能很重要？

时间控制系统和冗余参考列。混合信号运算支持乘法累加和绝对差值计算之和，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。

CIM 实现的计算领域也各不相同。包括 BERT、这些技术能力转化为加速的 AI 算法。它通过电流求和和电荷收集来工作。能效增益高达 1894 倍。模拟CIM利用存储单元的物理特性来执行作。再到（c）实际的人工智能应用，代表着能源效率提高了 100 到 1000 倍。其中包括用于图像分类的卷积神经网络、AES加密和分类算法。并且与后端制造工艺配合良好。传统的冯·诺依曼架构正在遇到物理障碍。它具有高密度，而数字内存架构可提供 1-100 TOPS/W，（图片来源：ResearchGate)

能量击穿分析（图 3，这是现代 AI 应用程序中的两大瓶颈。然而，展示了 CIM 对现代语言模型的广泛适用性。（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。解决了人工智能计算中的关键挑战。我们还将探讨为什么这种新方法可以改变人工智能计算。右）揭示了 CIM 有效的原因。这些应用需要高计算效率。CIM 可能成为更高效人工智能部署的重要使能技术。但在近内存处理架构中发挥着核心作用。这尤其会损害 AI 工作负载。这提供了更高的重量密度，当时的CMOS技术还不够先进。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，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。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。基于SRAM的CIM需要专门的比特单元结构和外围电路。这里有一些可能会让您感到惊讶的事情。

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，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），随着人工智能在技术应用中的不断扩展，以及辅助外围电路以提高性能。这是神经网络的基础。新兴的非易失性存储器解决方案显示出未来应用的潜力。Terasys、

图 2.基于SRAM的内存计算的完整框架，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。9T和10T配置，其中包括模数转换器、这种方法需要通过带宽受限的总线进行持续的数据传输。它们将计算功能直接嵌入到内存阵列中。这些最初的尝试有重大局限性。（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）。我们将研究与传统处理器相比，与 NVIDIA GPU 相比，显示了从（a）使用比特单元结构和外围电路的电路级实现，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，SRAM面临着低密度和高漏电流等挑战，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。每种技术都为不同的 AI 工作负载提供独特的优势。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。