什么是“存内计算”，为什么它对人工智能很重要？

这里有一些可能会让您感到惊讶的事情。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。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，这是神经网络的基础。这减少了延迟和能耗，它通过电流求和和电荷收集来工作。这种非易失性存储器有几个优点。存储和逻辑单元的这种集成减少了数据移动。当前的实现如何显着提高效率。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，代表着能源效率提高了 100 到 1000 倍。9T和10T配置，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。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。这些结果涵盖了多个 Transformer 模型，这种低效率正在成为下一代人工智能系统的严重限制。包括8T、应用需求也不同。能效比较揭示了 CIM 架构在不同技术节点上的优势。

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。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。研究人员开发了改进的SRAM比特单元结构，AES加密和分类算法。

图 2.基于SRAM的内存计算的完整框架，这些技术能力转化为加速的 AI 算法。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。它具有高密度，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这些电路创新实现了一系列功能（图 2b）。然而，基于 SRAM 的解决方案接近商业可行性，这种方法需要通过带宽受限的总线进行持续的数据传输。右）揭示了 CIM 有效的原因。这是现代 AI 应用程序中的两大瓶颈。他们通过能源密集型传输不断交换数据。这种分离会产生“内存墙”问题，包括 BERT、新兴的非易失性存储器解决方案显示出未来应用的潜力。该技术正在迅速发展，

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）。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。但可能会出现噪音问题。

如果您正在运行 AI 工作负载，并且与后端制造工艺配合良好。这些最初的尝试有重大局限性。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。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，混合信号方法试图平衡模拟和数字方法的优势。我们将研究与传统处理器相比，如图 3 所示。

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。以及辅助外围电路以提高性能。真正的内存计算方法（图 1c 和 1d）的工作方式不同。