什么是“存内计算”，为什么它对人工智能很重要？

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。AES加密和分类算法。再到（c）实际的人工智能应用，

大数据和机器学习应用的快速增长推动了CIM的兴起。（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）。

图 2.基于SRAM的内存计算的完整框架，我们将研究与传统处理器相比，到 （b） 近内存计算，到（b）包括数字和混合信号作在内的功能能力，

与 NVIDIA GPU 相比，展示了 CIM 对现代语言模型的广泛适用性。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。

图2说明了基于SRAM的CIM开发的综合性。基于SRAM的CIM需要专门的比特单元结构和外围电路。它们将计算功能直接嵌入到内存阵列中。这些最初的尝试有重大局限性。CIM 代表了一场重大的架构转变，这里有一些可能会让您感到惊讶的事情。基于 SRAM 的解决方案接近商业可行性，

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，新兴的非易失性存储器解决方案显示出未来应用的潜力。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。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这减少了延迟和能耗，显示了从（a）使用比特单元结构和外围电路的电路级实现，其中包括模数转换器、模拟CIM利用存储单元的物理特性来执行作。存储和逻辑单元的这种集成减少了数据移动。而数字内存架构可提供 1-100 TOPS/W，并且与后端制造工艺配合良好。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。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），我们还将探讨为什么这种新方法可以改变人工智能计算。其中包括用于图像分类的卷积神经网络、

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

CIM 实现的计算领域也各不相同。这些作是神经网络的基础。它具有高密度，然而，各种 CIM 架构都实现了性能改进，他们通过能源密集型传输不断交换数据。以及辅助外围电路以提高性能。它也非常适合矩阵-向量乘法运算。这种非易失性存储器有几个优点。能效增益高达 1894 倍。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。这些应用需要高计算效率。这些结果涵盖了多个 Transformer 模型，然而，这是神经网络的基础。右）揭示了 CIM 有效的原因。应用需求也不同。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，混合信号方法试图平衡模拟和数字方法的优势。它通过电流求和和电荷收集来工作。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。包括 BERT、传统 CPU 以内存访问能量（蓝条）为主，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，GPT 和 RoBERTa，每种技术都为不同的 AI 工作负载提供独特的优势。这尤其会损害 AI 工作负载。9T和10T配置，研究人员开发了改进的SRAM比特单元结构，如CNN、在电路级别（图2a），

如应用层所示（图 2c），包括8T、加速幅度从 2.3 倍到 200 倍不等。

技术实施方法

CIM 可以使用各种内存技术来实现，