什么是“存内计算”，为什么它对人工智能很重要？

该技术正在迅速发展，它们将计算功能直接嵌入到内存阵列中。与 NVIDIA GPU 相比，解决了人工智能计算中的关键挑战。这是现代 AI 应用程序中的两大瓶颈。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。这些最初的尝试有重大局限性。其中包括用于图像分类的卷积神经网络、当前的实现如何显着提高效率。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。这种低效率正在成为下一代人工智能系统的严重限制。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。我们还将探讨为什么这种新方法可以改变人工智能计算。这种方法需要通过带宽受限的总线进行持续的数据传输。传统的冯·诺依曼架构正在遇到物理障碍。当时的CMOS技术还不够先进。这些应用需要高计算效率。

大数据和机器学习应用的快速增长推动了CIM的兴起。如CNN、基于 SRAM 的解决方案接近商业可行性，

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。基于SRAM的CIM需要专门的比特单元结构和外围电路。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。这是神经网络的基础。但可能会出现噪音问题。传统 CPU 以内存访问能量（蓝条）为主，（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）。而数字内存架构可提供 1-100 TOPS/W，

图 2.基于SRAM的内存计算的完整框架，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。并且与后端制造工艺配合良好。

存储和逻辑单元的这种集成减少了数据移动。右）揭示了 CIM 有效的原因。

技术实施方法

CIM 可以使用各种内存技术来实现，以及辅助外围电路以提高性能。限制了其在大型AI处理器中的可扩展性。这些电路创新实现了一系列功能（图 2b）。每种技术都为不同的 AI 工作负载提供独特的优势。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这种分离会产生“内存墙”问题，（图片来源：ResearchGate)

能量击穿分析（图 3，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。研究人员开发了改进的SRAM比特单元结构，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。AES加密和分类算法。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。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。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。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，9T和10T配置，（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。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。显示了从（a）使用比特单元结构和外围电路的电路级实现，随着神经网络增长到数十亿个参数，各种 CIM 架构都实现了性能改进，其速度、（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这减少了延迟和能耗，它通过电流求和和电荷收集来工作。