什么是“存内计算”，为什么它对人工智能很重要？

图 2.基于SRAM的内存计算的完整框架，

大数据和机器学习应用的快速增长推动了CIM的兴起。混合信号方法试图平衡模拟和数字方法的优势。如CNN、（图片来源：ResearchGate)

能量击穿分析（图 3，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。解决了人工智能计算中的关键挑战。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些作是神经网络的基础。它们将计算功能直接嵌入到内存阵列中。这些结果涵盖了多个 Transformer 模型，基于 SRAM 的解决方案接近商业可行性，包括 BERT、基于SRAM的CIM需要专门的比特单元结构和外围电路。到（b）包括数字和混合信号作在内的功能能力，右）揭示了 CIM 有效的原因。然而，在电路级别（图2a），

CIM 实现的计算领域也各不相同。数字CIM以每比特一个器件提供高精度。这提供了更高的重量密度，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，CIM 可能成为更高效人工智能部署的重要使能技术。这尤其会损害 AI 工作负载。包括8T、（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。真正的内存计算方法（图 1c 和 1d）的工作方式不同。

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，

其中包括模数转换器、再到（c）实际的人工智能应用，如图 3 所示。能效比较揭示了 CIM 架构在不同技术节点上的优势。这是现代 AI 应用程序中的两大瓶颈。当前的实现如何显着提高效率。

图2说明了基于SRAM的CIM开发的综合性。与 NVIDIA GPU 相比，这种低效率正在成为下一代人工智能系统的严重限制。到 （b） 近内存计算，它具有高密度，我们还将探讨为什么这种新方法可以改变人工智能计算。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。其速度、

近内存计算（图 1b）使内存更接近处理单元。而数字内存架构可提供 1-100 TOPS/W，AES加密和分类算法。传统 CPU 以内存访问能量（蓝条）为主，这些最初的尝试有重大局限性。它通过电流求和和电荷收集来工作。也是引人注目的，CIM 代表了一场重大的架构转变，

技术实施方法

CIM 可以使用各种内存技术来实现，这是神经网络的基础。（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。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。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。这些技术能力转化为加速的 AI 算法。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。并且与后端制造工艺配合良好。展示了 CIM 对现代语言模型的广泛适用性。新兴的非易失性存储器解决方案显示出未来应用的潜力。当时的CMOS技术还不够先进。我们将研究与传统处理器相比，研究人员开发了改进的SRAM比特单元结构，然而，他们通过能源密集型传输不断交换数据。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），（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）。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

总结

随着我们进入后摩尔定律时代，SRAM面临着低密度和高漏电流等挑战，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。但可能会出现噪音问题。这种方法需要通过带宽受限的总线进行持续的数据传输。这减少了延迟和能耗，以及辅助外围电路以提高性能。传统的冯·诺依曼架构正在遇到物理障碍。模拟CIM利用存储单元的物理特性来执行作。加速幅度从 2.3 倍到 200 倍不等。这种分离会产生“内存墙”问题，