什么是“存内计算”，为什么它对人工智能很重要？

当时的CMOS技术还不够先进。SRAM面临着低密度和高漏电流等挑战，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。

如果您正在运行 AI 工作负载，数字CIM以每比特一个器件提供高精度。其中包括模数转换器、在电路级别（图2a），包括8T、（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）。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。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。我们还将探讨为什么这种新方法可以改变人工智能计算。这种低效率正在成为下一代人工智能系统的严重限制。但可能会出现噪音问题。这些作是神经网络的基础。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。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，到（b）包括数字和混合信号作在内的功能能力，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。这种非易失性存储器有几个优点。模拟CIM利用存储单元的物理特性来执行作。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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，然而，

图 2.基于SRAM的内存计算的完整框架，解决了人工智能计算中的关键挑战。混合信号方法试图平衡模拟和数字方法的优势。CIM 可能成为更高效人工智能部署的重要使能技术。各种 CIM 架构都实现了性能改进，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，混合信号运算支持乘法累加和绝对差值计算之和，如图 3 所示。Terasys、

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。它通过电流求和和电荷收集来工作。