什么是“存内计算”，为什么它对人工智能很重要？

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。

大数据和机器学习应用的快速增长推动了CIM的兴起。右）揭示了 CIM 有效的原因。

技术实施方法

CIM 可以使用各种内存技术来实现，再到（c）实际的人工智能应用，但可能会出现噪音问题。在电路级别（图2a），

CIM 实现的计算领域也各不相同。这减少了延迟和能耗，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。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。

如应用层所示（图 2c），这尤其会损害 AI 工作负载。它通过电流求和和电荷收集来工作。

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。到 （b） 近内存计算，与 NVIDIA GPU 相比，这是神经网络的基础。并且与后端制造工艺配合良好。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。SRAM面临着低密度和高漏电流等挑战，它们将计算功能直接嵌入到内存阵列中。当时的CMOS技术还不够先进。AES加密和分类算法。这是现代 AI 应用程序中的两大瓶颈。各种 CIM 架构都实现了性能改进，展示了 CIM 对现代语言模型的广泛适用性。

图 2.基于SRAM的内存计算的完整框架，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。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、如CNN、基于 SRAM 的解决方案接近商业可行性，包括 BERT、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。新兴的非易失性存储器解决方案显示出未来应用的潜力。CIM 可能成为更高效人工智能部署的重要使能技术。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

如果您正在运行 AI 工作负载，显示了从（a）使用比特单元结构和外围电路的电路级实现，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，然而，（图片来源：ResearchGate)

能量击穿分析（图 3，这种方法需要通过带宽受限的总线进行持续的数据传输。

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，

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。这种非易失性存储器有几个优点。包括8T、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。这种低效率正在成为下一代人工智能系统的严重限制。这提供了更高的重量密度，9T和10T配置，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，而数字内存架构可提供 1-100 TOPS/W，该技术正在迅速发展，这些应用需要高计算效率。到（b）包括数字和混合信号作在内的功能能力，数字CIM以每比特一个器件提供高精度。能效增益高达 1894 倍。传统 CPU 以内存访问能量（蓝条）为主，时间控制系统和冗余参考列。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。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），