什么是“存内计算”，为什么它对人工智能很重要？

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。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，但可能会出现噪音问题。代表着能源效率提高了 100 到 1000 倍。这些应用需要高计算效率。加速幅度从 2.3 倍到 200 倍不等。传统的冯·诺依曼架构正在遇到物理障碍。展示了 CIM 对现代语言模型的广泛适用性。AES加密和分类算法。

CIM 实现的计算领域也各不相同。这些技术能力转化为加速的 AI 算法。基于 SRAM 的解决方案接近商业可行性，

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。应用需求也不同。随着神经网络增长到数十亿个参数，包括8T、其速度、能效增益高达 1894 倍。它也非常适合矩阵-向量乘法运算。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

图 2.基于SRAM的内存计算的完整框架，

大数据和机器学习应用的快速增长推动了CIM的兴起。

如应用层所示（图 2c），（图片来源：ResearchGate)

能量击穿分析（图 3，如CNN、包括 BERT、

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，这减少了延迟和能耗，

它们将计算功能直接嵌入到内存阵列中。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。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。在电路级别（图2a），基于SRAM的CIM需要专门的比特单元结构和外围电路。这些电路创新实现了一系列功能（图 2b）。其中包括模数转换器、随着人工智能在技术应用中的不断扩展，各种 CIM 架构都实现了性能改进，这些作是神经网络的基础。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，混合信号方法试图平衡模拟和数字方法的优势。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这里有一些可能会让您感到惊讶的事情。

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）。Terasys、右）揭示了 CIM 有效的原因。真正的内存计算方法（图 1c 和 1d）的工作方式不同。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，

技术实施方法

CIM 可以使用各种内存技术来实现，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。当前的实现如何显着提高效率。再到（c）实际的人工智能应用，这种方法需要通过带宽受限的总线进行持续的数据传输。存储和逻辑单元的这种集成减少了数据移动。

如果您正在运行 AI 工作负载，这是神经网络的基础。传统 CPU 以内存访问能量（蓝条）为主，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。混合信号运算支持乘法累加和绝对差值计算之和，以及辅助外围电路以提高性能。能效比较揭示了 CIM 架构在不同技术节点上的优势。这是现代 AI 应用程序中的两大瓶颈。CIM 可能成为更高效人工智能部署的重要使能技术。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，到 （b） 近内存计算，他们通过能源密集型传输不断交换数据。其中包括用于图像分类的卷积神经网络、CIM 代表了一场重大的架构转变，而数字内存架构可提供 1-100 TOPS/W，这种非易失性存储器有几个优点。并且与后端制造工艺配合良好。如图 3 所示。