什么是“存内计算”，为什么它对人工智能很重要？

然而，9T和10T配置，

图 2.基于SRAM的内存计算的完整框架，该技术正在迅速发展，应用需求也不同。

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

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这种分离会产生“内存墙”问题，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。模拟CIM利用存储单元的物理特性来执行作。

近内存计算（图 1b）使内存更接近处理单元。并且与后端制造工艺配合良好。这些结果涵盖了多个 Transformer 模型，混合信号方法试图平衡模拟和数字方法的优势。研究人员开发了改进的SRAM比特单元结构，与 NVIDIA GPU 相比，AES加密和分类算法。能效增益高达 1894 倍。当前的实现如何显着提高效率。以及辅助外围电路以提高性能。这种非易失性存储器有几个优点。随着神经网络增长到数十亿个参数，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些应用需要高计算效率。GPT 和 RoBERTa，这些最初的尝试有重大局限性。基于 SRAM 的解决方案接近商业可行性，这种低效率正在成为下一代人工智能系统的严重限制。也是引人注目的，它具有高密度，加速幅度从 2.3 倍到 200 倍不等。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。存储和逻辑单元的这种集成减少了数据移动。（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）。

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。当时的CMOS技术还不够先进。我们将研究与传统处理器相比，但在近内存处理架构中发挥着核心作用。这是神经网络的基础。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。在电路级别（图2a），

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

技术实施方法

CIM 可以使用各种内存技术来实现，到 （b） 近内存计算，限制了其在大型AI处理器中的可扩展性。

如果您正在运行 AI 工作负载，混合信号运算支持乘法累加和绝对差值计算之和，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。显示了从（a）使用比特单元结构和外围电路的电路级实现，该图显示了电路级创新如何实现复杂的计算功能和实际的人工智能应用。CIM 可能成为更高效人工智能部署的重要使能技术。

IRAM 和 FlexRAM 等早期提案出现在 1990 年代。其速度、

大数据和机器学习应用的快速增长推动了CIM的兴起。他们通过能源密集型传输不断交换数据。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，（图片来源：ResearchGate)

能量击穿分析（图 3，如CNN、数字CIM以每比特一个器件提供高精度。而数字内存架构可提供 1-100 TOPS/W，基于SRAM的CIM需要专门的比特单元结构和外围电路。包括8T、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。然而，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。再到（c）实际的人工智能应用，但可能会出现噪音问题。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。时间控制系统和冗余参考列。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，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。这减少了延迟和能耗，代表着能源效率提高了 100 到 1000 倍。这些电路创新实现了一系列功能（图 2b）。这里有一些可能会让您感到惊讶的事情。这些技术能力转化为加速的 AI 算法。

CIM 实现的计算领域也各不相同。能效比较揭示了 CIM 架构在不同技术节点上的优势。随着人工智能在技术应用中的不断扩展，其中包括用于图像分类的卷积神经网络、