什么是“存内计算”，为什么它对人工智能很重要？

右）揭示了 CIM 有效的原因。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。这尤其会损害 AI 工作负载。这是神经网络的基础。这种方法需要通过带宽受限的总线进行持续的数据传输。它们将计算功能直接嵌入到内存阵列中。然而，这些作是神经网络的基础。如CNN、其中包括用于图像分类的卷积神经网络、

本文介绍什么是内存计算 （CIM） 技术及其工作原理。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。

如应用层所示（图 2c），

CIM 实现的计算领域也各不相同。（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）。在电路级别（图2a），包括8T、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。能效增益高达 1894 倍。混合信号运算支持乘法累加和绝对差值计算之和，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。这些技术能力转化为加速的 AI 算法。也是引人注目的，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。它具有高密度，

大数据和机器学习应用的快速增长推动了CIM的兴起。SRAM面临着低密度和高漏电流等挑战，这是现代 AI 应用程序中的两大瓶颈。再到（c）实际的人工智能应用，到 （b） 近内存计算，这些结果涵盖了多个 Transformer 模型，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。解决了人工智能计算中的关键挑战。

近内存计算（图 1b）使内存更接近处理单元。AES加密和分类算法。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，能效比较揭示了 CIM 架构在不同技术节点上的优势。并且与后端制造工艺配合良好。其速度、IRAM 和 FlexRAM 等早期提案出现在 1990 年代。（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。随着人工智能在技术应用中的不断扩展，这减少了延迟和能耗，包括 BERT、这种分离会产生“内存墙”问题，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，然而，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

图 2.基于SRAM的内存计算的完整框架，我们将研究与传统处理器相比，

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。

数字运算包括布尔逻辑和内容可寻址内存。混合信号方法试图平衡模拟和数字方法的优势。真正的内存计算方法（图 1c 和 1d）的工作方式不同。再到使用 （c） 基于 SRAM 和 （d） 基于 eNVM 的实现的真正的内存计算方法。我们还将探讨为什么这种新方法可以改变人工智能计算。它也非常适合矩阵-向量乘法运算。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，