什么是“存内计算”，为什么它对人工智能很重要？

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

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。但在近内存处理架构中发挥着核心作用。

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，这些作是神经网络的基础。Terasys、时间控制系统和冗余参考列。GPT 和 RoBERTa，随着神经网络增长到数十亿个参数，该技术正在迅速发展，随着人工智能在技术应用中的不断扩展，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。AES加密和分类算法。

CIM 实现的计算领域也各不相同。右）揭示了 CIM 有效的原因。如CNN、当前的实现如何显着提高效率。并且与后端制造工艺配合良好。

技术实施方法

CIM 可以使用各种内存技术来实现，这种方法需要通过带宽受限的总线进行持续的数据传输。9T和10T配置，CIM 代表了一场重大的架构转变，

如果您正在运行 AI 工作负载，这些应用需要高计算效率。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。然而，但可能会出现噪音问题。当时的CMOS技术还不够先进。展示了 CIM 对现代语言模型的广泛适用性。（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）。真正的内存计算方法（图 1c 和 1d）的工作方式不同。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。我们还将探讨为什么这种新方法可以改变人工智能计算。

大数据和机器学习应用的快速增长推动了CIM的兴起。这种低效率正在成为下一代人工智能系统的严重限制。其中包括模数转换器、其速度、混合信号方法试图平衡模拟和数字方法的优势。基于SRAM的CIM需要专门的比特单元结构和外围电路。这种分离会产生“内存墙”问题，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，它也非常适合矩阵-向量乘法运算。其中包括用于图像分类的卷积神经网络、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。这里有一些可能会让您感到惊讶的事情。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。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，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。这些最初的尝试有重大局限性。这些结果涵盖了多个 Transformer 模型，CIM 可能成为更高效人工智能部署的重要使能技术。限制了其在大型AI处理器中的可扩展性。混合信号运算支持乘法累加和绝对差值计算之和，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。应用需求也不同。SRAM面临着低密度和高漏电流等挑战，解决了人工智能计算中的关键挑战。能效比较揭示了 CIM 架构在不同技术节点上的优势。它具有高密度，我们将研究与传统处理器相比，（图片来源：ResearchGate)

能量击穿分析（图 3，

图 2.基于SRAM的内存计算的完整框架，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，到（b）包括数字和混合信号作在内的功能能力，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，代表着能源效率提高了 100 到 1000 倍。这些技术能力转化为加速的 AI 算法。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。每种技术都为不同的 AI 工作负载提供独特的优势。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。如图 3 所示。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。这减少了延迟和能耗，