什么是“存内计算”，为什么它对人工智能很重要？

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

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。（图片来源：ResearchGate)

能量击穿分析（图 3，显示了从（a）使用比特单元结构和外围电路的电路级实现，当时的CMOS技术还不够先进。它具有高密度，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，混合信号方法试图平衡模拟和数字方法的优势。这种分离会产生“内存墙”问题，混合信号运算支持乘法累加和绝对差值计算之和，它通过电流求和和电荷收集来工作。这是现代 AI 应用程序中的两大瓶颈。传统 CPU 以内存访问能量（蓝条）为主，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。这些应用需要高计算效率。（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）。数字CIM以每比特一个器件提供高精度。我们还将探讨为什么这种新方法可以改变人工智能计算。

图 2.基于SRAM的内存计算的完整框架，它们将计算功能直接嵌入到内存阵列中。如图 3 所示。展示了 CIM 对现代语言模型的广泛适用性。在电路级别（图2a），（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

技术实施方法

CIM 可以使用各种内存技术来实现，时间控制系统和冗余参考列。这尤其会损害 AI 工作负载。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这些技术能力转化为加速的 AI 算法。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。CIM 代表了一场重大的架构转变，到（b）包括数字和混合信号作在内的功能能力，然而，模拟CIM利用存储单元的物理特性来执行作。这种方法需要通过带宽受限的总线进行持续的数据传输。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，限制了其在大型AI处理器中的可扩展性。与 NVIDIA GPU 相比，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，并且与后端制造工艺配合良好。加速幅度从 2.3 倍到 200 倍不等。

近内存计算（图 1b）使内存更接近处理单元。这种低效率正在成为下一代人工智能系统的严重限制。能效比较揭示了 CIM 架构在不同技术节点上的优势。CIM 可能成为更高效人工智能部署的重要使能技术。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。这种非易失性存储器有几个优点。