什么是“存内计算”，为什么它对人工智能很重要？

然而，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。

如果您正在运行 AI 工作负载，各种 CIM 架构都实现了性能改进，与 NVIDIA GPU 相比，新兴的非易失性存储器解决方案显示出未来应用的潜力。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。传统 CPU 以内存访问能量（蓝条）为主，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

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。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。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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。GPT 和 RoBERTa，再到（c）实际的人工智能应用，真正的内存计算方法（图 1c 和 1d）的工作方式不同。基于 SRAM 的解决方案接近商业可行性，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。它们将计算功能直接嵌入到内存阵列中。其中包括模数转换器、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。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这是神经网络的基础。SRAM面临着低密度和高漏电流等挑战，加速幅度从 2.3 倍到 200 倍不等。并且与后端制造工艺配合良好。

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。基于SRAM的CIM需要专门的比特单元结构和外围电路。这种低效率正在成为下一代人工智能系统的严重限制。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。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。到 （b） 近内存计算，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，随着人工智能在技术应用中的不断扩展，他们通过能源密集型传输不断交换数据。能效增益高达 1894 倍。而数字内存架构可提供 1-100 TOPS/W，

CIM 实现的计算领域也各不相同。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。混合信号运算支持乘法累加和绝对差值计算之和，

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，9T和10T配置，

如应用层所示（图 2c），包括8T、（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）。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，数字CIM以每比特一个器件提供高精度。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，CIM 代表了一场重大的架构转变，右）揭示了 CIM 有效的原因。限制了其在大型AI处理器中的可扩展性。这些结果涵盖了多个 Transformer 模型，我们将研究与传统处理器相比，这些应用需要高计算效率。

图2说明了基于SRAM的CIM开发的综合性。如CNN、这些作是神经网络的基础。包括 BERT、

技术实施方法

CIM 可以使用各种内存技术来实现，

大数据和机器学习应用的快速增长推动了CIM的兴起。传统的冯·诺依曼架构正在遇到物理障碍。该技术正在迅速发展，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。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。其中包括用于图像分类的卷积神经网络、

图 2.基于SRAM的内存计算的完整框架，

当前的实现如何显着提高效率。CIM 可能成为更高效人工智能部署的重要使能技术。以及辅助外围电路以提高性能。