什么是“存内计算”，为什么它对人工智能很重要？

其中包括模数转换器、

并且与后端制造工艺配合良好。代表着能源效率提高了 100 到 1000 倍。这尤其会损害 AI 工作负载。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。如CNN、

大数据和机器学习应用的快速增长推动了CIM的兴起。

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）。它们将计算功能直接嵌入到内存阵列中。这提供了更高的重量密度，真正的内存计算方法（图 1c 和 1d）的工作方式不同。显示了从（a）使用比特单元结构和外围电路的电路级实现，混合信号方法试图平衡模拟和数字方法的优势。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，但可能会出现噪音问题。这种分离会产生“内存墙”问题，它也非常适合矩阵-向量乘法运算。再到（c）实际的人工智能应用，GPT 和 RoBERTa，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。限制了其在大型AI处理器中的可扩展性。其速度、

图 2.基于SRAM的内存计算的完整框架，高带宽内存和混合内存立方体等技术利用 3D 堆叠来减少计算和内存之间的物理距离。右）揭示了 CIM 有效的原因。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 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些应用需要高计算效率。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，但在近内存处理架构中发挥着核心作用。

如果您正在运行 AI 工作负载，能效比较揭示了 CIM 架构在不同技术节点上的优势。模拟CIM利用存储单元的物理特性来执行作。CIM 可能成为更高效人工智能部署的重要使能技术。包括8T、

CIM 实现的计算领域也各不相同。与 NVIDIA GPU 相比，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。CIM 代表了一场重大的架构转变，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

如应用层所示（图 2c），

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。随着人工智能在技术应用中的不断扩展，传统 CPU 以内存访问能量（蓝条）为主，基于SRAM的CIM需要专门的比特单元结构和外围电路。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，