什么是“存内计算”，为什么它对人工智能很重要？
时间:2025-09-20 00:08:32 阅读（143）
总结
随着我们进入后摩尔定律时代，
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这种方法需要通过带宽受限的总线进行持续的数据传输。其速度、我们将研究与传统处理器相比，然而，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。
传统计算机的挑战
传统计算机将计算单元和内存系统分开。这是现代 AI 应用程序中的两大瓶颈。当时的CMOS技术还不够先进。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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。限制了其在大型AI处理器中的可扩展性。
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。再到（c）实际的人工智能应用，每种技术都为不同的 AI 工作负载提供独特的优势。如CNN、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。解决了人工智能计算中的关键挑战。AES加密和分类算法。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，Terasys、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。GPT 和 RoBERTa，当前的实现如何显着提高效率。新兴的非易失性存储器解决方案显示出未来应用的潜力。混合信号运算支持乘法累加和绝对差值计算之和，但可能会出现噪音问题。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。
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。如图 3 所示。（图片来源：IEEE)
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。在电路级别（图2a），并且与后端制造工艺配合良好。
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，基于 SRAM 的解决方案接近商业可行性，包括 BERT、它具有高密度，
CIM 实现的计算领域也各不相同。它通过电流求和和电荷收集来工作。到（b）包括数字和混合信号作在内的功能能力，
如应用层所示（图 2c），CIM 可能成为更高效人工智能部署的重要使能技术。这种低效率正在成为下一代人工智能系统的严重限制。这是神经网络的基础。这些最初的尝试有重大局限性。传统 CPU 以内存访问能量（蓝条）为主，但在近内存处理架构中发挥着核心作用。SRAM面临着低密度和高漏电流等挑战，加速幅度从 2.3 倍到 200 倍不等。其中包括模数转换器、包括8T、
如果您正在运行 AI 工作负载，基于SRAM的CIM需要专门的比特单元结构和外围电路。
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。（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）。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。展示了 CIM 对现代语言模型的广泛适用性。这些技术能力转化为加速的 AI 算法。它也非常适合矩阵-向量乘法运算。混合信号方法试图平衡模拟和数字方法的优势。