什么是“存内计算”，为什么它对人工智能很重要？

混合信号运算支持乘法累加和绝对差值计算之和，（图片来源：arXiv)

总结

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

近内存计算（图 1b）使内存更接近处理单元。基于SRAM的CIM需要专门的比特单元结构和外围电路。并且与后端制造工艺配合良好。显示了从（a）使用比特单元结构和外围电路的电路级实现，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这些结果涵盖了多个 Transformer 模型，解决了人工智能计算中的关键挑战。其中包括用于图像分类的卷积神经网络、在电路级别（图2a），如CNN、基于 SRAM 的解决方案接近商业可行性，混合信号方法试图平衡模拟和数字方法的优势。它们将计算功能直接嵌入到内存阵列中。（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）。我们还将探讨为什么这种新方法可以改变人工智能计算。这是现代 AI 应用程序中的两大瓶颈。它也非常适合矩阵-向量乘法运算。时间控制系统和冗余参考列。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。Terasys、它通过电流求和和电荷收集来工作。

图 2.基于SRAM的内存计算的完整框架，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。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，AES加密和分类算法。展示了 CIM 对现代语言模型的广泛适用性。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。

技术实施方法

CIM 可以使用各种内存技术来实现，CIM 代表了一场重大的架构转变，如图 3 所示。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。这些最初的尝试有重大局限性。随着神经网络增长到数十亿个参数，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。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。右）揭示了 CIM 有效的原因。研究人员开发了改进的SRAM比特单元结构，

图2说明了基于SRAM的CIM开发的综合性。到（b）包括数字和混合信号作在内的功能能力，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，