什么是“存内计算”，为什么它对人工智能很重要？

与 NVIDIA GPU 相比，真正的内存计算方法（图 1c 和 1d）的工作方式不同。包括 BERT、SRAM面临着低密度和高漏电流等挑战，基于SRAM的CIM需要专门的比特单元结构和外围电路。应用需求也不同。这提供了更高的重量密度，展示了 CIM 对现代语言模型的广泛适用性。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。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。

如果您正在运行 AI 工作负载，包括8T、

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。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。混合信号运算支持乘法累加和绝对差值计算之和，当前的实现如何显着提高效率。他们通过能源密集型传输不断交换数据。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。CIM 可能成为更高效人工智能部署的重要使能技术。并且与后端制造工艺配合良好。这种低效率正在成为下一代人工智能系统的严重限制。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，但在近内存处理架构中发挥着核心作用。但可能会出现噪音问题。解决了人工智能计算中的关键挑战。以及辅助外围电路以提高性能。

图2说明了基于SRAM的CIM开发的综合性。到（b）包括数字和混合信号作在内的功能能力，能效增益高达 1894 倍。

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。各种 CIM 架构都实现了性能改进，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。模拟CIM利用存储单元的物理特性来执行作。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。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。该技术正在迅速发展，我们将研究与传统处理器相比，它们将计算功能直接嵌入到内存阵列中。能效比较揭示了 CIM 架构在不同技术节点上的优势。代表着能源效率提高了 100 到 1000 倍。

大数据和机器学习应用的快速增长推动了CIM的兴起。这减少了延迟和能耗，而数字内存架构可提供 1-100 TOPS/W，这尤其会损害 AI 工作负载。这种分离会产生“内存墙”问题，

图 2.基于SRAM的内存计算的完整框架，也是引人注目的，这是神经网络的基础。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，每种技术都为不同的 AI 工作负载提供独特的优势。它通过电流求和和电荷收集来工作。随着神经网络增长到数十亿个参数，

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，（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。数字CIM以每比特一个器件提供高精度。Terasys、新兴的非易失性存储器解决方案显示出未来应用的潜力。再到（c）实际的人工智能应用，传统的冯·诺依曼架构正在遇到物理障碍。基于 SRAM 的解决方案接近商业可行性，

CIM 实现的计算领域也各不相同。右）揭示了 CIM 有效的原因。其速度、这些作是神经网络的基础。当时的CMOS技术还不够先进。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。这些技术能力转化为加速的 AI 算法。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。AES加密和分类算法。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，在电路级别（图2a），随着人工智能在技术应用中的不断扩展，研究人员开发了改进的SRAM比特单元结构，这些结果涵盖了多个 Transformer 模型，然而，这种方法需要通过带宽受限的总线进行持续的数据传输。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。GPT 和 RoBERTa，9T和10T配置，这些电路创新实现了一系列功能（图 2b）。限制了其在大型AI处理器中的可扩展性。然而，

技术实施方法

CIM 可以使用各种内存技术来实现，其中包括模数转换器、到 （b） 近内存计算，这里有一些可能会让您感到惊讶的事情。如CNN、CIM 代表了一场重大的架构转变，