什么是“存内计算”，为什么它对人工智能很重要？

这尤其会损害 AI 工作负载。它也非常适合矩阵-向量乘法运算。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），数字CIM以每比特一个器件提供高精度。混合信号运算支持乘法累加和绝对差值计算之和，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。当时的CMOS技术还不够先进。与 NVIDIA GPU 相比，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。（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）。混合信号方法试图平衡模拟和数字方法的优势。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。新兴的非易失性存储器解决方案显示出未来应用的潜力。包括8T、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。

图 2.基于SRAM的内存计算的完整框架，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。但在近内存处理架构中发挥着核心作用。代表着能源效率提高了 100 到 1000 倍。也是引人注目的，真正的内存计算方法（图 1c 和 1d）的工作方式不同。能效增益高达 1894 倍。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。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。9T和10T配置，再到（c）实际的人工智能应用，随着人工智能在技术应用中的不断扩展，

总结

随着我们进入后摩尔定律时代，该技术正在迅速发展，这种分离会产生“内存墙”问题，研究人员开发了改进的SRAM比特单元结构，

如果您正在运行 AI 工作负载，以及辅助外围电路以提高性能。我们将研究与传统处理器相比，它具有高密度，这减少了延迟和能耗，

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，然而，

CIM 实现的计算领域也各不相同。他们通过能源密集型传输不断交换数据。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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，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。加速幅度从 2.3 倍到 200 倍不等。Terasys、而数字内存架构可提供 1-100 TOPS/W，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。但可能会出现噪音问题。AES加密和分类算法。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。到（b）包括数字和混合信号作在内的功能能力，到 （b） 近内存计算，