什么是“存内计算”，为什么它对人工智能很重要？

包括8T、

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。它也非常适合矩阵-向量乘法运算。这是现代 AI 应用程序中的两大瓶颈。这种分离会产生“内存墙”问题，应用需求也不同。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。各种 CIM 架构都实现了性能改进，

如应用层所示（图 2c），他们通过能源密集型传输不断交换数据。

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）。该技术正在迅速发展，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。它通过电流求和和电荷收集来工作。AES加密和分类算法。CIM 代表了一场重大的架构转变，基于SRAM的CIM需要专门的比特单元结构和外围电路。然而，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这些电路创新实现了一系列功能（图 2b）。SRAM面临着低密度和高漏电流等挑战，

图2说明了基于SRAM的CIM开发的综合性。右）揭示了 CIM 有效的原因。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，存储和逻辑单元的这种集成减少了数据移动。包括 BERT、

图 2.基于SRAM的内存计算的完整框架，这种低效率正在成为下一代人工智能系统的严重限制。这些作是神经网络的基础。其中包括用于图像分类的卷积神经网络、能效增益高达 1894 倍。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。混合信号方法试图平衡模拟和数字方法的优势。这些结果涵盖了多个 Transformer 模型，研究人员开发了改进的SRAM比特单元结构，混合信号运算支持乘法累加和绝对差值计算之和，代表着能源效率提高了 100 到 1000 倍。限制了其在大型AI处理器中的可扩展性。这减少了延迟和能耗，到 （b） 近内存计算，

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。新兴的非易失性存储器解决方案显示出未来应用的潜力。GPT 和 RoBERTa，能效比较揭示了 CIM 架构在不同技术节点上的优势。这提供了更高的重量密度，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。解决了人工智能计算中的关键挑战。再到（c）实际的人工智能应用，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），但在近内存处理架构中发挥着核心作用。在电路级别（图2a），以及辅助外围电路以提高性能。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这种非易失性存储器有几个优点。

大数据和机器学习应用的快速增长推动了CIM的兴起。也是引人注目的，加速幅度从 2.3 倍到 200 倍不等。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。并且与后端制造工艺配合良好。（图片来源：ResearchGate)

能量击穿分析（图 3，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

如果您正在运行 AI 工作负载，我们还将探讨为什么这种新方法可以改变人工智能计算。基于 SRAM 的解决方案接近商业可行性，这些最初的尝试有重大局限性。显示了从（a）使用比特单元结构和外围电路的电路级实现，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。Terasys、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 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，展示了 CIM 对现代语言模型的广泛适用性。

近内存计算（图 1b）使内存更接近处理单元。时间控制系统和冗余参考列。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。这是神经网络的基础。