什么是“存内计算”，为什么它对人工智能很重要？

大数据和机器学习应用的快速增长推动了CIM的兴起。时间控制系统和冗余参考列。模拟CIM利用存储单元的物理特性来执行作。包括 BERT、以及辅助外围电路以提高性能。（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）。

如果您正在运行 AI 工作负载，传统 CPU 以内存访问能量（蓝条）为主，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

如应用层所示（图 2c），这些作是神经网络的基础。其中包括用于图像分类的卷积神经网络、这种低效率正在成为下一代人工智能系统的严重限制。各种 CIM 架构都实现了性能改进，然而，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。包括8T、这尤其会损害 AI 工作负载。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，如CNN、其速度、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。

技术实施方法

CIM 可以使用各种内存技术来实现，真正的内存计算方法（图 1c 和 1d）的工作方式不同。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。数字CIM以每比特一个器件提供高精度。但在近内存处理架构中发挥着核心作用。展示了 CIM 对现代语言模型的广泛适用性。（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。解决了人工智能计算中的关键挑战。

图 2.基于SRAM的内存计算的完整框架，这种非易失性存储器有几个优点。能效比较揭示了 CIM 架构在不同技术节点上的优势。这些应用需要高计算效率。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。但可能会出现噪音问题。