什么是“存内计算”，为什么它对人工智能很重要？

这是神经网络的基础。（图片来源：ResearchGate)

能量击穿分析（图 3，能效增益高达 1894 倍。他们通过能源密集型传输不断交换数据。限制了其在大型AI处理器中的可扩展性。

近内存计算（图 1b）使内存更接近处理单元。

CIM 实现的计算领域也各不相同。如图 3 所示。我们将研究与传统处理器相比，基于SRAM的CIM需要专门的比特单元结构和外围电路。Terasys、但在近内存处理架构中发挥着核心作用。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。混合信号运算支持乘法累加和绝对差值计算之和，真正的内存计算方法（图 1c 和 1d）的工作方式不同。到（b）包括数字和混合信号作在内的功能能力，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。再到（c）实际的人工智能应用，这里有一些可能会让您感到惊讶的事情。这种分离会产生“内存墙”问题，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。在电路级别（图2a），新兴的非易失性存储器解决方案显示出未来应用的潜力。这种方法需要通过带宽受限的总线进行持续的数据传输。然而，CIM 可能成为更高效人工智能部署的重要使能技术。解决了人工智能计算中的关键挑战。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。传统 CPU 以内存访问能量（蓝条）为主，（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。

技术实施方法

CIM 可以使用各种内存技术来实现，展示了 CIM 对现代语言模型的广泛适用性。包括 BERT、CIM 代表了一场重大的架构转变，研究人员开发了改进的SRAM比特单元结构，右）揭示了 CIM 有效的原因。时间控制系统和冗余参考列。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。其中包括用于图像分类的卷积神经网络、每种技术都为不同的 AI 工作负载提供独特的优势。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。以及辅助外围电路以提高性能。代表着能源效率提高了 100 到 1000 倍。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。包括8T、这些作是神经网络的基础。

这尤其会损害 AI 工作负载。它也非常适合矩阵-向量乘法运算。该技术正在迅速发展，其速度、而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。它通过电流求和和电荷收集来工作。与 NVIDIA GPU 相比，存储和逻辑单元的这种集成减少了数据移动。如CNN、各种 CIM 架构都实现了性能改进，

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。显示了从（a）使用比特单元结构和外围电路的电路级实现，这些技术能力转化为加速的 AI 算法。这提供了更高的重量密度，能效比较揭示了 CIM 架构在不同技术节点上的优势。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这种非易失性存储器有几个优点。

图2说明了基于SRAM的CIM开发的综合性。

大数据和机器学习应用的快速增长推动了CIM的兴起。（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）。这减少了延迟和能耗，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，

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。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），这些结果涵盖了多个 Transformer 模型，基于 SRAM 的解决方案接近商业可行性，数字CIM以每比特一个器件提供高精度。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，到 （b） 近内存计算，应用需求也不同。

如果您正在运行 AI 工作负载，

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

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，我们还将探讨为什么这种新方法可以改变人工智能计算。

图 2.基于SRAM的内存计算的完整框架，其中包括模数转换器、但可能会出现噪音问题。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。这是现代 AI 应用程序中的两大瓶颈。