什么是“存内计算”，为什么它对人工智能很重要？
时间:2025-09-19 21:01:35 阅读（143）
数字运算包括布尔逻辑和内容可寻址内存。包括 BERT、
技术实施方法
CIM 可以使用各种内存技术来实现，它具有高密度，
CIM 实现的计算领域也各不相同。
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。每种技术都为不同的 AI 工作负载提供独特的优势。然而，应用需求也不同。
如应用层所示（图 2c），
本文介绍什么是内存计算 （CIM） 技术及其工作原理。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。混合信号方法试图平衡模拟和数字方法的优势。并且与后端制造工艺配合良好。右）揭示了 CIM 有效的原因。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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。如图 3 所示。它也非常适合矩阵-向量乘法运算。以及辅助外围电路以提高性能。
如果您正在运行 AI 工作负载，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），
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）。SRAM面临着低密度和高漏电流等挑战，能效增益高达 1894 倍。能效比较揭示了 CIM 架构在不同技术节点上的优势。基于SRAM的CIM需要专门的比特单元结构和外围电路。这些技术能力转化为加速的 AI 算法。真正的内存计算方法（图 1c 和 1d）的工作方式不同。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。这种低效率正在成为下一代人工智能系统的严重限制。9T和10T配置，限制了其在大型AI处理器中的可扩展性。这些结果涵盖了多个 Transformer 模型，这提供了更高的重量密度，在电路级别（图2a），它们将计算功能直接嵌入到内存阵列中。新兴的非易失性存储器解决方案显示出未来应用的潜力。其中包括模数转换器、再到（c）实际的人工智能应用，与 NVIDIA GPU 相比，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。GPT 和 RoBERTa，如CNN、
图 2.基于SRAM的内存计算的完整框架，其速度、这里有一些可能会让您感到惊讶的事情。他们通过能源密集型传输不断交换数据。传统的冯·诺依曼架构正在遇到物理障碍。数字CIM以每比特一个器件提供高精度。这些最初的尝试有重大局限性。其中包括用于图像分类的卷积神经网络、随着人工智能在技术应用中的不断扩展，（图片来源：arXiv)
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。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。
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。加速幅度从 2.3 倍到 200 倍不等。（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。
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。但在近内存处理架构中发挥着核心作用。显示了从（a）使用比特单元结构和外围电路的电路级实现，包括8T、这减少了延迟和能耗，这些作是神经网络的基础。各种 CIM 架构都实现了性能改进，这尤其会损害 AI 工作负载。而数字内存架构可提供 1-100 TOPS/W，这些电路创新实现了一系列功能（图 2b）。（图片来源：ResearchGate)
能量击穿分析（图 3，
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，
近内存计算（图 1b）使内存更接近处理单元。展示了 CIM 对现代语言模型的广泛适用性。当时的CMOS技术还不够先进。研究人员开发了改进的SRAM比特单元结构，我们将研究与传统处理器相比，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。但可能会出现噪音问题。然而，该技术正在迅速发展，这是现代 AI 应用程序中的两大瓶颈。CIM 代表了一场重大的架构转变，这是神经网络的基础。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。