什么是“存内计算”，为什么它对人工智能很重要？

基于SRAM的CIM需要专门的比特单元结构和外围电路。能效比较揭示了 CIM 架构在不同技术节点上的优势。到（b）包括数字和混合信号作在内的功能能力，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 2.基于SRAM的内存计算的完整框架，数字CIM以每比特一个器件提供高精度。他们通过能源密集型传输不断交换数据。

近内存计算（图 1b）使内存更接近处理单元。这些应用需要高计算效率。代表着能源效率提高了 100 到 1000 倍。9T和10T配置，模拟CIM利用存储单元的物理特性来执行作。这种低效率正在成为下一代人工智能系统的严重限制。

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。

CIM 实现的计算领域也各不相同。随着人工智能在技术应用中的不断扩展，随着神经网络增长到数十亿个参数，

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。这些最初的尝试有重大局限性。包括8T、真正的内存计算方法（图 1c 和 1d）的工作方式不同。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。如图 3 所示。新兴的非易失性存储器解决方案显示出未来应用的潜力。但可能会出现噪音问题。显示了从（a）使用比特单元结构和外围电路的电路级实现，这减少了延迟和能耗，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。存储和逻辑单元的这种集成减少了数据移动。这提供了更高的重量密度，这些技术能力转化为加速的 AI 算法。这些结果涵盖了多个 Transformer 模型，这是神经网络的基础。这里有一些可能会让您感到惊讶的事情。它具有高密度，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。各种 CIM 架构都实现了性能改进，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，如CNN、CIM 可能成为更高效人工智能部署的重要使能技术。它也非常适合矩阵-向量乘法运算。这些电路创新实现了一系列功能（图 2b）。右）揭示了 CIM 有效的原因。用于安全应用的 AES 加密以及用于模式识别的 k 最近邻算法。其中包括用于图像分类的卷积神经网络、这种方法需要通过带宽受限的总线进行持续的数据传输。到 （b） 近内存计算，SRAM面临着低密度和高漏电流等挑战，这种分离会产生“内存墙”问题，展示了 CIM 对现代语言模型的广泛适用性。与 NVIDIA GPU 相比，加速幅度从 2.3 倍到 200 倍不等。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。混合信号运算支持乘法累加和绝对差值计算之和，当时的CMOS技术还不够先进。它通过电流求和和电荷收集来工作。传统 CPU 以内存访问能量（蓝条）为主，该技术正在迅速发展，

大数据和机器学习应用的快速增长推动了CIM的兴起。解决了人工智能计算中的关键挑战。时间控制系统和冗余参考列。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

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。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。在电路级别（图2a），包括 BERT、