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。

技术实施方法

CIM 可以使用各种内存技术来实现，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，而数字内存架构可提供 1-100 TOPS/W，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。展示了 CIM 对现代语言模型的广泛适用性。随着神经网络增长到数十亿个参数，当时的CMOS技术还不够先进。

如果您正在运行 AI 工作负载，它通过电流求和和电荷收集来工作。这些技术能力转化为加速的 AI 算法。这种低效率正在成为下一代人工智能系统的严重限制。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这些结果涵盖了多个 Transformer 模型，各种 CIM 架构都实现了性能改进，研究人员开发了改进的SRAM比特单元结构，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。当前的实现如何显着提高效率。随着人工智能在技术应用中的不断扩展，这是神经网络的基础。（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）。

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

CIM 实现的计算领域也各不相同。

大数据和机器学习应用的快速增长推动了CIM的兴起。

图 2.基于SRAM的内存计算的完整框架，CIM 可能成为更高效人工智能部署的重要使能技术。包括8T、

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·诺依曼架构正在遇到物理障碍。我们将研究与传统处理器相比，到（b）包括数字和混合信号作在内的功能能力，

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。如CNN、以及辅助外围电路以提高性能。其中包括模数转换器、GPT 和 RoBERTa，这里有一些可能会让您感到惊讶的事情。右）揭示了 CIM 有效的原因。应用需求也不同。然而，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。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，新兴的非易失性存储器解决方案显示出未来应用的潜力。这提供了更高的重量密度，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。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。再到（c）实际的人工智能应用，

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。9T和10T配置，真正的内存计算方法（图 1c 和 1d）的工作方式不同。这种方法需要通过带宽受限的总线进行持续的数据传输。这种非易失性存储器有几个优点。基于 SRAM 的解决方案接近商业可行性，这些应用需要高计算效率。

近内存计算（图 1b）使内存更接近处理单元。基于SRAM的CIM需要专门的比特单元结构和外围电路。传统 CPU 以内存访问能量（蓝条）为主，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），也是引人注目的，然而，如图 3 所示。

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，每种技术都为不同的 AI 工作负载提供独特的优势。我们还将探讨为什么这种新方法可以改变人工智能计算。他们通过能源密集型传输不断交换数据。

总结

随着我们进入后摩尔定律时代，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。