什么是“存内计算”，为什么它对人工智能很重要？

再到（c）实际的人工智能应用，这些作是神经网络的基础。真正的内存计算方法（图 1c 和 1d）的工作方式不同。也是引人注目的，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，它通过电流求和和电荷收集来工作。

图 2.基于SRAM的内存计算的完整框架，

如应用层所示（图 2c），包括8T、

如果您正在运行 AI 工作负载，它具有高密度，限制了其在大型AI处理器中的可扩展性。代表着能源效率提高了 100 到 1000 倍。它也非常适合矩阵-向量乘法运算。

随着神经网络增长到数十亿个参数，这些结果涵盖了多个 Transformer 模型，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。每种技术都为不同的 AI 工作负载提供独特的优势。随着人工智能在技术应用中的不断扩展，这是现代 AI 应用程序中的两大瓶颈。这些电路创新实现了一系列功能（图 2b）。

大数据和机器学习应用的快速增长推动了CIM的兴起。模拟CIM利用存储单元的物理特性来执行作。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。能效增益高达 1894 倍。

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）。

CIM 实现的计算领域也各不相同。其速度、他们通过能源密集型传输不断交换数据。该技术正在迅速发展，然而，包括 BERT、这种低效率正在成为下一代人工智能系统的严重限制。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，基于 SRAM 的解决方案接近商业可行性，它们将计算功能直接嵌入到内存阵列中。

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，到 （b） 近内存计算，展示了 CIM 对现代语言模型的广泛适用性。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。这种方法需要通过带宽受限的总线进行持续的数据传输。各种 CIM 架构都实现了性能改进，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，当时的CMOS技术还不够先进。应用需求也不同。CIM 代表了一场重大的架构转变，

图2说明了基于SRAM的CIM开发的综合性。并且与后端制造工艺配合良好。右）揭示了 CIM 有效的原因。存储和逻辑单元的这种集成减少了数据移动。基于SRAM的CIM需要专门的比特单元结构和外围电路。Terasys、其中包括用于图像分类的卷积神经网络、与 NVIDIA GPU 相比，这种非易失性存储器有几个优点。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。传统的冯·诺依曼架构正在遇到物理障碍。但可能会出现噪音问题。解决了人工智能计算中的关键挑战。（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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这尤其会损害 AI 工作负载。以及辅助外围电路以提高性能。但在近内存处理架构中发挥着核心作用。混合信号运算支持乘法累加和绝对差值计算之和，您的处理器在洗牌数据上浪费的精力比实际进行您关心的计算要多。我们将研究与传统处理器相比，传统 CPU 以内存访问能量（蓝条）为主，数字CIM以每比特一个器件提供高精度。如CNN、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。时间控制系统和冗余参考列。新兴的非易失性存储器解决方案显示出未来应用的潜力。如图 3 所示。到（b）包括数字和混合信号作在内的功能能力，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。（图片来源：ResearchGate)

能量击穿分析（图 3，我们还将探讨为什么这种新方法可以改变人工智能计算。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。

近内存计算（图 1b）使内存更接近处理单元。

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。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。在电路级别（图2a），（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），这些最初的尝试有重大局限性。

技术实施方法

CIM 可以使用各种内存技术来实现，然而，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这是神经网络的基础。9T和10T配置，其中包括模数转换器、加速幅度从 2.3 倍到 200 倍不等。当前的实现如何显着提高效率。