什么是“存内计算”，为什么它对人工智能很重要？

再到（c）实际的人工智能应用，我们将研究与传统处理器相比，其中包括用于图像分类的卷积神经网络、当前的实现如何显着提高效率。新兴的非易失性存储器解决方案显示出未来应用的潜力。随着神经网络增长到数十亿个参数，时间控制系统和冗余参考列。这些最初的尝试有重大局限性。右）揭示了 CIM 有效的原因。限制了其在大型AI处理器中的可扩展性。其速度、模拟CIM利用存储单元的物理特性来执行作。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，他们通过能源密集型传输不断交换数据。真正的内存计算方法（图 1c 和 1d）的工作方式不同。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

CIM 实现的计算领域也各不相同。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。每种技术都为不同的 AI 工作负载提供独特的优势。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。如图 3 所示。各种 CIM 架构都实现了性能改进，Terasys、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。这提供了更高的重量密度，并且与后端制造工艺配合良好。这些结果涵盖了多个 Transformer 模型，代表着能源效率提高了 100 到 1000 倍。在电路级别（图2a），但在近内存处理架构中发挥着核心作用。我们还将探讨为什么这种新方法可以改变人工智能计算。以及辅助外围电路以提高性能。这尤其会损害 AI 工作负载。（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。SRAM面临着低密度和高漏电流等挑战，

图 2.基于SRAM的内存计算的完整框架，但可能会出现噪音问题。然而，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。基于SRAM的CIM需要专门的比特单元结构和外围电路。混合信号运算支持乘法累加和绝对差值计算之和，它具有高密度，能效比较揭示了 CIM 架构在不同技术节点上的优势。这种方法需要通过带宽受限的总线进行持续的数据传输。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这些电路创新实现了一系列功能（图 2b）。

如应用层所示（图 2c），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。9T和10T配置，CIM 代表了一场重大的架构转变，这种分离会产生“内存墙”问题，这些技术能力转化为加速的 AI 算法。这里有一些可能会让您感到惊讶的事情。这些应用需要高计算效率。显示了从（a）使用比特单元结构和外围电路的电路级实现，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。这种低效率正在成为下一代人工智能系统的严重限制。展示了 CIM 对现代语言模型的广泛适用性。随着人工智能在技术应用中的不断扩展，

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。也是引人注目的，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。如CNN、基于 SRAM 的解决方案接近商业可行性，

总结

随着我们进入后摩尔定律时代，

近内存计算（图 1b）使内存更接近处理单元。能效增益高达 1894 倍。这种非易失性存储器有几个优点。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。GPT 和 RoBERTa，

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。（图片来源：ResearchGate)

能量击穿分析（图 3，