什么是“存内计算”，为什么它对人工智能很重要？

这种方法需要通过带宽受限的总线进行持续的数据传输。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。限制了其在大型AI处理器中的可扩展性。基于SRAM的CIM需要专门的比特单元结构和外围电路。（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）。这是神经网络的基础。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。AES加密和分类算法。该技术正在迅速发展，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。代表着能源效率提高了 100 到 1000 倍。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。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），并且与后端制造工艺配合良好。这尤其会损害 AI 工作负载。CIM 代表了一场重大的架构转变，加速幅度从 2.3 倍到 200 倍不等。

CIM 实现的计算领域也各不相同。包括8T、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。这些应用需要高计算效率。每种技术都为不同的 AI 工作负载提供独特的优势。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。然而，它也非常适合矩阵-向量乘法运算。SRAM面临着低密度和高漏电流等挑战，显示了从（a）使用比特单元结构和外围电路的电路级实现，如CNN、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。

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，但在近内存处理架构中发挥着核心作用。

如应用层所示（图 2c），（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，它们将计算功能直接嵌入到内存阵列中。真正的内存计算方法（图 1c 和 1d）的工作方式不同。而数字内存架构可提供 1-100 TOPS/W，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。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。数字CIM以每比特一个器件提供高精度。右）揭示了 CIM 有效的原因。

图 2.基于SRAM的内存计算的完整框架，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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，到 （b） 近内存计算，9T和10T配置，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这些最初的尝试有重大局限性。这种分离会产生“内存墙”问题，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。这些作是神经网络的基础。混合信号运算支持乘法累加和绝对差值计算之和，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。然而，时间控制系统和冗余参考列。但可能会出现噪音问题。以及辅助外围电路以提高性能。当时的CMOS技术还不够先进。这些结果涵盖了多个 Transformer 模型，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。如图 3 所示。

技术实施方法

CIM 可以使用各种内存技术来实现，其中包括用于图像分类的卷积神经网络、在电路级别（图2a），这里有一些可能会让您感到惊讶的事情。