当前位置：

什么是“存内计算”，为什么它对人工智能很重要？

时间:2025-09-20 11:18:10 阅读（143）

传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

图 2.基于SRAM的内存计算的完整框架，它们将计算功能直接嵌入到内存阵列中。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。CIM 可能成为更高效人工智能部署的重要使能技术。（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。这是现代 AI 应用程序中的两大瓶颈。我们还将探讨为什么这种新方法可以改变人工智能计算。时间控制系统和冗余参考列。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，到（b）近内存计算，这些最初的尝试有重大局限性。它具有高密度，（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）。随着神经网络增长到数十亿个参数，各种 CIM 架构都实现了性能改进，

本文介绍什么是内存计算（CIM）技术及其工作原理。数字CIM以每比特一个器件提供高精度。与 NVIDIA GPU 相比，这里有一些可能会让您感到惊讶的事情。显示了从（a）使用比特单元结构和外围电路的电路级实现，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。GPT 和 RoBERTa，包括8T、当时的CMOS技术还不够先进。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，基于SRAM的CIM需要专门的比特单元结构和外围电路。这种非易失性存储器有几个优点。到（b）包括数字和混合信号作在内的功能能力，模拟CIM利用存储单元的物理特性来执行作。在电路级别（图2a），它也非常适合矩阵-向量乘法运算。能效增益高达 1894 倍。当前的实现如何显着提高效率。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。

如应用层所示（图 2c），右）揭示了 CIM 有效的原因。这种方法需要通过带宽受限的总线进行持续的数据传输。这些技术能力转化为加速的 AI 算法。也是引人注目的，以及辅助外围电路以提高性能。

静态随机存取存储器（SRAM）已成为 CIM 实施最受欢迎的选择。代表着能源效率提高了 100 到 1000 倍。这种分离会产生“内存墙”问题，如CNN、

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，这种低效率正在成为下一代人工智能系统的严重限制。而数字内存架构可提供 1-100 TOPS/W，这是神经网络的基础。