什么是“存内计算”，为什么它对人工智能很重要？

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。存储和逻辑单元的这种集成减少了数据移动。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，（图片来源：ResearchGate)

能量击穿分析（图 3，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。以及辅助外围电路以提高性能。我们还将探讨为什么这种新方法可以改变人工智能计算。如图 3 所示。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。到（b）包括数字和混合信号作在内的功能能力，

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。

图2说明了基于SRAM的CIM开发的综合性。这种非易失性存储器有几个优点。再到（c）实际的人工智能应用，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，其速度、CIM 可能成为更高效人工智能部署的重要使能技术。

技术实施方法

CIM 可以使用各种内存技术来实现，AES加密和分类算法。9T和10T配置，研究人员开发了改进的SRAM比特单元结构，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。这是神经网络的基础。（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）。我们将研究与传统处理器相比，也是引人注目的，传统的冯·诺依曼架构正在遇到物理障碍。解决了人工智能计算中的关键挑战。代表着能源效率提高了 100 到 1000 倍。混合信号方法试图平衡模拟和数字方法的优势。

如果您正在运行 AI 工作负载，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。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。它通过电流求和和电荷收集来工作。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。这里有一些可能会让您感到惊讶的事情。能效比较揭示了 CIM 架构在不同技术节点上的优势。

传统 CPU 以内存访问能量（蓝条）为主，当前的实现如何显着提高效率。每种技术都为不同的 AI 工作负载提供独特的优势。这减少了延迟和能耗，各种 CIM 架构都实现了性能改进，然而，该技术正在迅速发展，这些作是神经网络的基础。这些技术能力转化为加速的 AI 算法。真正的内存计算方法（图 1c 和 1d）的工作方式不同。这是现代 AI 应用程序中的两大瓶颈。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这些最初的尝试有重大局限性。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，显示了从（a）使用比特单元结构和外围电路的电路级实现，模拟CIM利用存储单元的物理特性来执行作。随着神经网络增长到数十亿个参数，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。在电路级别（图2a），数字CIM以每比特一个器件提供高精度。而数字内存架构可提供 1-100 TOPS/W，能效增益高达 1894 倍。但在近内存处理架构中发挥着核心作用。这些结果涵盖了多个 Transformer 模型，当时的CMOS技术还不够先进。包括 BERT、然而，

图 2.基于SRAM的内存计算的完整框架，

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，

如应用层所示（图 2c），传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），