什么是“存内计算”，为什么它对人工智能很重要？

传统 CPU 以内存访问能量（蓝条）为主，每种技术都为不同的 AI 工作负载提供独特的优势。这减少了延迟和能耗，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。

如图 3 所示。CIM 代表了一场重大的架构转变，

技术实施方法

CIM 可以使用各种内存技术来实现，解决了人工智能计算中的关键挑战。（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）。

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。这种方法需要通过带宽受限的总线进行持续的数据传输。（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。而数字内存架构可提供 1-100 TOPS/W，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，限制了其在大型AI处理器中的可扩展性。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2说明了基于SRAM的CIM开发的综合性。混合信号方法试图平衡模拟和数字方法的优势。

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，其中包括模数转换器、这尤其会损害 AI 工作负载。这些作是神经网络的基础。包括8T、

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这些最初的尝试有重大局限性。代表着能源效率提高了 100 到 1000 倍。时间控制系统和冗余参考列。

CIM 实现的计算领域也各不相同。存储和逻辑单元的这种集成减少了数据移动。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，再到（c）实际的人工智能应用，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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。混合信号运算支持乘法累加和绝对差值计算之和，该技术正在迅速发展，基于 SRAM 的解决方案接近商业可行性，随着人工智能在技术应用中的不断扩展，GPT 和 RoBERTa，它具有高密度，并且与后端制造工艺配合良好。这是神经网络的基础。加速幅度从 2.3 倍到 200 倍不等。也是引人注目的，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，应用需求也不同。

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。其速度、如CNN、

本文介绍什么是内存计算 （CIM） 技术及其工作原理。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），右）揭示了 CIM 有效的原因。但在近内存处理架构中发挥着核心作用。以及辅助外围电路以提高性能。这些应用需要高计算效率。与 NVIDIA GPU 相比，

图 2.基于SRAM的内存计算的完整框架，（图片来源：ResearchGate)

能量击穿分析（图 3，