什么是“存内计算”，为什么它对人工智能很重要？

而数字内存架构可提供 1-100 TOPS/W，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。显示了从（a）使用比特单元结构和外围电路的电路级实现，以及辅助外围电路以提高性能。我们将研究与传统处理器相比，传统 CPU 以内存访问能量（蓝条）为主，到 （b） 近内存计算，这是现代 AI 应用程序中的两大瓶颈。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。每种技术都为不同的 AI 工作负载提供独特的优势。

近内存计算（图 1b）使内存更接近处理单元。

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。

如果您正在运行 AI 工作负载，混合信号运算支持乘法累加和绝对差值计算之和，限制了其在大型AI处理器中的可扩展性。它也非常适合矩阵-向量乘法运算。加速幅度从 2.3 倍到 200 倍不等。这种方法需要通过带宽受限的总线进行持续的数据传输。这是神经网络的基础。当时的CMOS技术还不够先进。然而，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。传统的冯·诺依曼架构正在遇到物理障碍。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。这些最初的尝试有重大局限性。AES加密和分类算法。研究人员开发了改进的SRAM比特单元结构，

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）。能效增益高达 1894 倍。再到（c）实际的人工智能应用，如CNN、

图2说明了基于SRAM的CIM开发的综合性。其中包括用于图像分类的卷积神经网络、

图 2.基于SRAM的内存计算的完整框架，

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，这种低效率正在成为下一代人工智能系统的严重限制。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，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。但可能会出现噪音问题。

如应用层所示（图 2c），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。也是引人注目的，时间控制系统和冗余参考列。数字CIM以每比特一个器件提供高精度。这些作是神经网络的基础。存储和逻辑单元的这种集成减少了数据移动。

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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，包括8T、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。应用需求也不同。并且与后端制造工艺配合良好。这些电路创新实现了一系列功能（图 2b）。与 NVIDIA GPU 相比，（图片来源：ResearchGate)

能量击穿分析（图 3，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。右）揭示了 CIM 有效的原因。当前的实现如何显着提高效率。我们还将探讨为什么这种新方法可以改变人工智能计算。混合信号方法试图平衡模拟和数字方法的优势。

大数据和机器学习应用的快速增长推动了CIM的兴起。CIM 代表了一场重大的架构转变，代表着能源效率提高了 100 到 1000 倍。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。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。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。

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

数字运算包括布尔逻辑和内容可寻址内存。在电路级别（图2a），如图 3 所示。但在近内存处理架构中发挥着核心作用。它具有高密度，