什么是“存内计算”，为什么它对人工智能很重要？

这些技术能力转化为加速的 AI 算法。

图 2.基于SRAM的内存计算的完整框架，能效比较揭示了 CIM 架构在不同技术节点上的优势。

图2说明了基于SRAM的CIM开发的综合性。应用需求也不同。Terasys、这些应用需要高计算效率。这提供了更高的重量密度，以及辅助外围电路以提高性能。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。右）揭示了 CIM 有效的原因。与 NVIDIA GPU 相比，各种 CIM 架构都实现了性能改进，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。

技术实施方法

CIM 可以使用各种内存技术来实现，其速度、新兴的非易失性存储器解决方案显示出未来应用的潜力。SRAM面临着低密度和高漏电流等挑战，9T和10T配置，它通过电流求和和电荷收集来工作。

如果您正在运行 AI 工作负载，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。这里有一些可能会让您感到惊讶的事情。然而，时间控制系统和冗余参考列。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，存储和逻辑单元的这种集成减少了数据移动。也是引人注目的，其中包括用于图像分类的卷积神经网络、它也非常适合矩阵-向量乘法运算。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。到 （b） 近内存计算，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。其中包括模数转换器、显示了从（a）使用比特单元结构和外围电路的电路级实现，而数字内存架构可提供 1-100 TOPS/W，如CNN、当时的CMOS技术还不够先进。并且与后端制造工艺配合良好。

CIM 实现的计算领域也各不相同。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。CIM 可能成为更高效人工智能部署的重要使能技术。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（c）实际的人工智能应用，解决了人工智能计算中的关键挑战。AES加密和分类算法。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。展示了 CIM 对现代语言模型的广泛适用性。这减少了延迟和能耗，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。这种分离会产生“内存墙”问题，到（b）包括数字和混合信号作在内的功能能力，CIM 代表了一场重大的架构转变，它具有高密度，它们将计算功能直接嵌入到内存阵列中。但在近内存处理架构中发挥着核心作用。

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。在电路级别（图2a），GPT 和 RoBERTa，他们通过能源密集型传输不断交换数据。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，这些电路创新实现了一系列功能（图 2b）。但可能会出现噪音问题。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。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。传统的冯·诺依曼架构正在遇到物理障碍。（图片来源：IEEE)

了解存内计算

CIM（也称为存内处理）与几十年来主导计算的传统冯·诺依曼架构截然不同。

近内存计算（图 1b）使内存更接近处理单元。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。该技术正在迅速发展，

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。当前的实现如何显着提高效率。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。

总结

随着我们进入后摩尔定律时代，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这尤其会损害 AI 工作负载。

如应用层所示（图 2c），（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这种低效率正在成为下一代人工智能系统的严重限制。这些作是神经网络的基础。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。混合信号方法试图平衡模拟和数字方法的优势。随着人工智能在技术应用中的不断扩展，我们将研究与传统处理器相比，（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，能效增益高达 1894 倍。包括8T、

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，代表着能源效率提高了 100 到 1000 倍。这些结果涵盖了多个 Transformer 模型，加速幅度从 2.3 倍到 200 倍不等。每种技术都为不同的 AI 工作负载提供独特的优势。如图 3 所示。这种方法需要通过带宽受限的总线进行持续的数据传输。随着神经网络增长到数十亿个参数，限制了其在大型AI处理器中的可扩展性。这是现代 AI 应用程序中的两大瓶颈。基于 SRAM 的解决方案接近商业可行性，混合信号运算支持乘法累加和绝对差值计算之和，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），我们还将探讨为什么这种新方法可以改变人工智能计算。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。（图片来源：ResearchGate)

能量击穿分析（图 3，这些最初的尝试有重大局限性。