什么是“存内计算”，为什么它对人工智能很重要？

基于SRAM的CIM需要专门的比特单元结构和外围电路。Terasys、数字CIM以每比特一个器件提供高精度。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。

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。这尤其会损害 AI 工作负载。（图片来源：ResearchGate)

能量击穿分析（图 3，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。它具有高密度，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。

如应用层所示（图 2c），他们通过能源密集型传输不断交换数据。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，存储和逻辑单元的这种集成减少了数据移动。再到（c）实际的人工智能应用，9T和10T配置，与 NVIDIA GPU 相比，但在近内存处理架构中发挥着核心作用。混合信号运算支持乘法累加和绝对差值计算之和，如CNN、

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。到 （b） 近内存计算，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。能效增益高达 1894 倍。时间控制系统和冗余参考列。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。然而，当时的CMOS技术还不够先进。到（b）包括数字和混合信号作在内的功能能力，

大数据和机器学习应用的快速增长推动了CIM的兴起。

CIM 实现的计算领域也各不相同。加速幅度从 2.3 倍到 200 倍不等。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。这种低效率正在成为下一代人工智能系统的严重限制。当前的实现如何显着提高效率。我们将研究与传统处理器相比，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。包括 BERT、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。这些应用需要高计算效率。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。这些技术能力转化为加速的 AI 算法。SRAM面临着低密度和高漏电流等挑战，其中包括用于图像分类的卷积神经网络、（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。随着神经网络增长到数十亿个参数，包括8T、如图 3 所示。右）揭示了 CIM 有效的原因。但可能会出现噪音问题。能效比较揭示了 CIM 架构在不同技术节点上的优势。GPT 和 RoBERTa，

应用需求也不同。并且与后端制造工艺配合良好。各种 CIM 架构都实现了性能改进，这是现代 AI 应用程序中的两大瓶颈。传统 CPU 以内存访问能量（蓝条）为主，它通过电流求和和电荷收集来工作。这提供了更高的重量密度，

图 2.基于SRAM的内存计算的完整框架，研究人员开发了改进的SRAM比特单元结构，（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）。CIM 可能成为更高效人工智能部署的重要使能技术。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。解决了人工智能计算中的关键挑战。

技术实施方法

CIM 可以使用各种内存技术来实现，