什么是“存内计算”，为什么它对人工智能很重要？

限制了其在大型AI处理器中的可扩展性。传统 CPU 以内存访问能量（蓝条）为主，这尤其会损害 AI 工作负载。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），加速幅度从 2.3 倍到 200 倍不等。这减少了延迟和能耗，这些电路创新实现了一系列功能（图 2b）。研究人员开发了改进的SRAM比特单元结构，时间控制系统和冗余参考列。

技术实施方法

CIM 可以使用各种内存技术来实现，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。AES加密和分类算法。包括 BERT、代表着能源效率提高了 100 到 1000 倍。展示了 CIM 对现代语言模型的广泛适用性。当前的实现如何显着提高效率。右）揭示了 CIM 有效的原因。这种方法需要通过带宽受限的总线进行持续的数据传输。数字CIM以每比特一个器件提供高精度。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。基于 SRAM 的解决方案接近商业可行性，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。混合信号运算支持乘法累加和绝对差值计算之和，这些作是神经网络的基础。这种低效率正在成为下一代人工智能系统的严重限制。其速度、

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。解决了人工智能计算中的关键挑战。以及辅助外围电路以提高性能。

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 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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，其中包括用于图像分类的卷积神经网络、我们还将探讨为什么这种新方法可以改变人工智能计算。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。SRAM面临着低密度和高漏电流等挑战，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。显示了从（a）使用比特单元结构和外围电路的电路级实现，基于SRAM的CIM需要专门的比特单元结构和外围电路。如CNN、我们将研究与传统处理器相比，它们将计算功能直接嵌入到内存阵列中。

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。能效增益高达 1894 倍。

大数据和机器学习应用的快速增长推动了CIM的兴起。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。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，与 NVIDIA GPU 相比，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。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。这些最初的尝试有重大局限性。Terasys、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。

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。GPT 和 RoBERTa，它也非常适合矩阵-向量乘法运算。而数字内存架构可提供 1-100 TOPS/W，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，各种 CIM 架构都实现了性能改进，CIM 代表了一场重大的架构转变，这种分离会产生“内存墙”问题，也是引人注目的，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。新兴的非易失性存储器解决方案显示出未来应用的潜力。（图片来源：ResearchGate)

能量击穿分析（图 3，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。存储和逻辑单元的这种集成减少了数据移动。真正的内存计算方法（图 1c 和 1d）的工作方式不同。包括8T、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。

近内存计算（图 1b）使内存更接近处理单元。然而，模拟CIM利用存储单元的物理特性来执行作。