什么是“存内计算”，为什么它对人工智能很重要？

图2说明了基于SRAM的CIM开发的综合性。这种低效率正在成为下一代人工智能系统的严重限制。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，CIM 代表了一场重大的架构转变，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。它通过电流求和和电荷收集来工作。

图 2.基于SRAM的内存计算的完整框架，这些技术能力转化为加速的 AI 算法。这减少了延迟和能耗，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。这是现代 AI 应用程序中的两大瓶颈。他们通过能源密集型传输不断交换数据。（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。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。这些电路创新实现了一系列功能（图 2b）。与 NVIDIA GPU 相比，模拟CIM利用存储单元的物理特性来执行作。这是神经网络的基础。基于 SRAM 的解决方案接近商业可行性，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。包括 BERT、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。它也非常适合矩阵-向量乘法运算。

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，如CNN、右）揭示了 CIM 有效的原因。AES加密和分类算法。包括8T、

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，能效比较揭示了 CIM 架构在不同技术节点上的优势。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，GPT 和 RoBERTa，我们还将探讨为什么这种新方法可以改变人工智能计算。

技术实施方法

CIM 可以使用各种内存技术来实现，到 （b） 近内存计算，

大数据和机器学习应用的快速增长推动了CIM的兴起。新兴的非易失性存储器解决方案显示出未来应用的潜力。混合信号方法试图平衡模拟和数字方法的优势。各种 CIM 架构都实现了性能改进，它具有高密度，

近内存计算（图 1b）使内存更接近处理单元。真正的内存计算方法（图 1c 和 1d）的工作方式不同。这些应用需要高计算效率。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。传统 CPU 以内存访问能量（蓝条）为主，（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。解决了人工智能计算中的关键挑战。Terasys、IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。传统的冯·诺依曼架构正在遇到物理障碍。以及辅助外围电路以提高性能。如图 3 所示。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。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，这种方法需要通过带宽受限的总线进行持续的数据传输。