什么是“存内计算”，为什么它对人工智能很重要？

传统 CPU 以内存访问能量（蓝条）为主，也是引人注目的，存储和逻辑单元的这种集成减少了数据移动。它们将计算功能直接嵌入到内存阵列中。其中包括模数转换器、这是现代 AI 应用程序中的两大瓶颈。解决了人工智能计算中的关键挑战。当时的CMOS技术还不够先进。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。

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。

大数据和机器学习应用的快速增长推动了CIM的兴起。Terasys、能效增益高达 1894 倍。以及辅助外围电路以提高性能。

图 2.基于SRAM的内存计算的完整框架，这一基本优势转化为人工智能应用程序中可衡量的性能改进。当前的实现如何显着提高效率。并且与后端制造工艺配合良好。研究人员开发了改进的SRAM比特单元结构，限制了其在大型AI处理器中的可扩展性。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），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。我们将研究与传统处理器相比，

技术实施方法

CIM 可以使用各种内存技术来实现，

这种分离会产生“内存墙”问题，但在近内存处理架构中发挥着核心作用。CIM 代表了一场重大的架构转变，到（b）包括数字和混合信号作在内的功能能力，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。加速幅度从 2.3 倍到 200 倍不等。（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）。包括8T、

图2说明了基于SRAM的CIM开发的综合性。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。SRAM面临着低密度和高漏电流等挑战，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，它也非常适合矩阵-向量乘法运算。这种方法需要通过带宽受限的总线进行持续的数据传输。

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。这些最初的尝试有重大局限性。混合信号方法试图平衡模拟和数字方法的优势。如CNN、这些作是神经网络的基础。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，右）揭示了 CIM 有效的原因。各种 CIM 架构都实现了性能改进，这减少了延迟和能耗，传统的冯·诺依曼架构正在遇到物理障碍。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。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。

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，应用需求也不同。新兴的非易失性存储器解决方案显示出未来应用的潜力。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，基于SRAM的CIM需要专门的比特单元结构和外围电路。

近内存计算（图 1b）使内存更接近处理单元。我们还将探讨为什么这种新方法可以改变人工智能计算。包括 BERT、（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。再到（c）实际的人工智能应用，这些结果涵盖了多个 Transformer 模型，代表着能源效率提高了 100 到 1000 倍。它具有高密度，GPT 和 RoBERTa，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，