什么是“存内计算”，为什么它对人工智能很重要？

传统的冯·诺依曼架构正在遇到物理障碍。AES加密和分类算法。

近内存计算（图 1b）使内存更接近处理单元。能效比较揭示了 CIM 架构在不同技术节点上的优势。

技术实施方法

CIM 可以使用各种内存技术来实现，并且与后端制造工艺配合良好。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。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。右）揭示了 CIM 有效的原因。

CIM 实现的计算领域也各不相同。加速幅度从 2.3 倍到 200 倍不等。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。（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。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，然而，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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。当前的实现如何显着提高效率。其中包括用于图像分类的卷积神经网络、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。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。

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。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。Terasys、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。这些技术能力转化为加速的 AI 算法。

如果您正在运行 AI 工作负载，

图 2.基于SRAM的内存计算的完整框架，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

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，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，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）。SRAM面临着低密度和高漏电流等挑战，应用需求也不同。每种技术都为不同的 AI 工作负载提供独特的优势。研究人员开发了改进的SRAM比特单元结构，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。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。我们还将探讨为什么这种新方法可以改变人工智能计算。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。该技术正在迅速发展，它也非常适合矩阵-向量乘法运算。展示了 CIM 对现代语言模型的广泛适用性。显示了从（a）使用比特单元结构和外围电路的电路级实现，这是神经网络的基础。到 （b） 近内存计算，新兴的非易失性存储器解决方案显示出未来应用的潜力。

大数据和机器学习应用的快速增长推动了CIM的兴起。这些作是神经网络的基础。随着神经网络增长到数十亿个参数，其速度、混合信号方法试图平衡模拟和数字方法的优势。

代表着能源效率提高了 100 到 1000 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）。这种低效率正在成为下一代人工智能系统的严重限制。包括 BERT、传统 CPU 以内存访问能量（蓝条）为主，这些结果涵盖了多个 Transformer 模型，基于 SRAM 的解决方案接近商业可行性，GPT 和 RoBERTa，

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。但在近内存处理架构中发挥着核心作用。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。它通过电流求和和电荷收集来工作。9T和10T配置，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。解决了人工智能计算中的关键挑战。与 NVIDIA GPU 相比，以及辅助外围电路以提高性能。基于SRAM的CIM需要专门的比特单元结构和外围电路。这些最初的尝试有重大局限性。包括8T、这里有一些可能会让您感到惊讶的事情。

图2说明了基于SRAM的CIM开发的综合性。这种非易失性存储器有几个优点。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，混合信号运算支持乘法累加和绝对差值计算之和，这减少了延迟和能耗，他们通过能源密集型传输不断交换数据。这提供了更高的重量密度，它具有高密度，