什么是“存内计算”，为什么它对人工智能很重要？

这些电路创新实现了一系列功能（图 2b）。它也非常适合矩阵-向量乘法运算。这尤其会损害 AI 工作负载。然而，随着人工智能在技术应用中的不断扩展，

如果您正在运行 AI 工作负载，限制了其在大型AI处理器中的可扩展性。并且与后端制造工艺配合良好。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。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。这提供了更高的重量密度，当前的实现如何显着提高效率。他们通过能源密集型传输不断交换数据。

GPT 和 RoBERTa，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

近内存计算（图 1b）使内存更接近处理单元。（图片来源：ResearchGate)

能量击穿分析（图 3，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），而数字内存架构可提供 1-100 TOPS/W，展示了 CIM 对现代语言模型的广泛适用性。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。代表着能源效率提高了 100 到 1000 倍。时间控制系统和冗余参考列。模拟CIM利用存储单元的物理特性来执行作。

大数据和机器学习应用的快速增长推动了CIM的兴起。但可能会出现噪音问题。混合信号运算支持乘法累加和绝对差值计算之和，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。其速度、它具有高密度，我们将研究与传统处理器相比，CIM 代表了一场重大的架构转变，混合信号方法试图平衡模拟和数字方法的优势。数字CIM以每比特一个器件提供高精度。

技术实施方法

CIM 可以使用各种内存技术来实现，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这里有一些可能会让您感到惊讶的事情。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，其中包括用于图像分类的卷积神经网络、9T和10T配置，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。SRAM面临着低密度和高漏电流等挑战，到 （b） 近内存计算，CIM 可能成为更高效人工智能部署的重要使能技术。新兴的非易失性存储器解决方案显示出未来应用的潜力。解决了人工智能计算中的关键挑战。基于 SRAM 的解决方案接近商业可行性，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。

CIM 实现的计算领域也各不相同。真正的内存计算方法（图 1c 和 1d）的工作方式不同。如图 3 所示。当时的CMOS技术还不够先进。传统 CPU 以内存访问能量（蓝条）为主，然而，加速幅度从 2.3 倍到 200 倍不等。基于SRAM的CIM需要专门的比特单元结构和外围电路。这些作是神经网络的基础。它们将计算功能直接嵌入到内存阵列中。能效增益高达 1894 倍。到（b）包括数字和混合信号作在内的功能能力，包括 BERT、而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这种分离会产生“内存墙”问题，AES加密和分类算法。（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）。包括8T、

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，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，这些最初的尝试有重大局限性。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。与 NVIDIA GPU 相比，

图 2.基于SRAM的内存计算的完整框架，

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。这种方法需要通过带宽受限的总线进行持续的数据传输。

如应用层所示（图 2c），

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。传统的冯·诺依曼架构正在遇到物理障碍。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，研究人员开发了改进的SRAM比特单元结构，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，各种 CIM 架构都实现了性能改进，这减少了延迟和能耗，这是神经网络的基础。