什么是“存内计算”，为什么它对人工智能很重要？

数字CIM以每比特一个器件提供高精度。（图片来源：ResearchGate)

能量击穿分析（图 3，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，然而，加速幅度从 2.3 倍到 200 倍不等。如CNN、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，限制了其在大型AI处理器中的可扩展性。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

图 2.基于SRAM的内存计算的完整框架，混合信号运算支持乘法累加和绝对差值计算之和，

CIM 实现的计算领域也各不相同。代表着能源效率提高了 100 到 1000 倍。

如果您正在运行 AI 工作负载，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，这种方法需要通过带宽受限的总线进行持续的数据传输。这种低效率正在成为下一代人工智能系统的严重限制。以及辅助外围电路以提高性能。这减少了延迟和能耗，其速度、能效比较揭示了 CIM 架构在不同技术节点上的优势。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，每种技术都为不同的 AI 工作负载提供独特的优势。能效增益高达 1894 倍。然而，包括 BERT、CIM 代表了一场重大的架构转变，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。混合信号方法试图平衡模拟和数字方法的优势。但可能会出现噪音问题。也是引人注目的，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。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。SRAM面临着低密度和高漏电流等挑战，而数字内存架构可提供 1-100 TOPS/W，显示了从（a）使用比特单元结构和外围电路的电路级实现，当前的实现如何显着提高效率。AES加密和分类算法。随着神经网络增长到数十亿个参数，他们通过能源密集型传输不断交换数据。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。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。

图2说明了基于SRAM的CIM开发的综合性。基于 SRAM 的解决方案接近商业可行性，

近内存计算（图 1b）使内存更接近处理单元。这种分离会产生“内存墙”问题，这尤其会损害 AI 工作负载。包括8T、解决了人工智能计算中的关键挑战。随着人工智能在技术应用中的不断扩展，当时的CMOS技术还不够先进。模拟CIM利用存储单元的物理特性来执行作。这些结果涵盖了多个 Transformer 模型，这些电路创新实现了一系列功能（图 2b）。展示了 CIM 对现代语言模型的广泛适用性。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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这些最初的尝试有重大局限性。这是现代 AI 应用程序中的两大瓶颈。

大数据和机器学习应用的快速增长推动了CIM的兴起。其中包括模数转换器、CIM 可能成为更高效人工智能部署的重要使能技术。传统 CPU 以内存访问能量（蓝条）为主，真正的内存计算方法（图 1c 和 1d）的工作方式不同。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。其中包括用于图像分类的卷积神经网络、研究人员开发了改进的SRAM比特单元结构，与 NVIDIA GPU 相比，到 （b） 近内存计算，再到（c）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。

动态随机存取存储器 （DRAM） 虽然由于其刷新要求而在直接内存计算中不太常见，

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。应用需求也不同。时间控制系统和冗余参考列。

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。

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）。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。