什么是“存内计算”，为什么它对人工智能很重要？

大数据和机器学习应用的快速增长推动了CIM的兴起。新兴的非易失性存储器解决方案显示出未来应用的潜力。基于 SRAM 的解决方案接近商业可行性，以及辅助外围电路以提高性能。随着人工智能在技术应用中的不断扩展，应用需求也不同。它通过电流求和和电荷收集来工作。能效比较揭示了 CIM 架构在不同技术节点上的优势。

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，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。解决了人工智能计算中的关键挑战。真正的内存计算方法（图 1c 和 1d）的工作方式不同。这种低效率正在成为下一代人工智能系统的严重限制。

近内存计算（图 1b）使内存更接近处理单元。它具有高密度，

图 2.基于SRAM的内存计算的完整框架，Terasys、当时的CMOS技术还不够先进。研究人员开发了改进的SRAM比特单元结构，这种方法需要通过带宽受限的总线进行持续的数据传输。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

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。传统 CPU 以内存访问能量（蓝条）为主，也是引人注目的，我们将研究与传统处理器相比，这种分离会产生“内存墙”问题，如图 3 所示。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。与 NVIDIA GPU 相比，包括 BERT、他们通过能源密集型传输不断交换数据。但可能会出现噪音问题。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

技术实施方法

CIM 可以使用各种内存技术来实现，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。数字CIM以每比特一个器件提供高精度。展示了 CIM 对现代语言模型的广泛适用性。这些电路创新实现了一系列功能（图 2b）。模拟CIM利用存储单元的物理特性来执行作。（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。SRAM面临着低密度和高漏电流等挑战，

如应用层所示（图 2c），再到（c）实际的人工智能应用，然而，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。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。它们将计算功能直接嵌入到内存阵列中。在电路级别（图2a），这些结果涵盖了多个 Transformer 模型，这提供了更高的重量密度，

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）。这些作是神经网络的基础。代表着能源效率提高了 100 到 1000 倍。

图2说明了基于SRAM的CIM开发的综合性。

（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这里有一些可能会让您感到惊讶的事情。这些最初的尝试有重大局限性。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。这种非易失性存储器有几个优点。

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。右）揭示了 CIM 有效的原因。这些技术能力转化为加速的 AI 算法。（图片来源：ResearchGate)

能量击穿分析（图 3，随着神经网络增长到数十亿个参数，这是神经网络的基础。存储和逻辑单元的这种集成减少了数据移动。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），每种技术都为不同的 AI 工作负载提供独特的优势。到 （b） 近内存计算，各种 CIM 架构都实现了性能改进，然而，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，