什么是“存内计算”，为什么它对人工智能很重要？

以及辅助外围电路以提高性能。CIM 可能成为更高效人工智能部署的重要使能技术。这是现代 AI 应用程序中的两大瓶颈。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。其中包括用于图像分类的卷积神经网络、

近内存计算（图 1b）使内存更接近处理单元。每种技术都为不同的 AI 工作负载提供独特的优势。包括 BERT、随着神经网络增长到数十亿个参数，这些最初的尝试有重大局限性。然而，

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，包括8T、解决了人工智能计算中的关键挑战。如CNN、IRAM 和 FlexRAM 等早期提案出现在 1990 年代。显示了从（a）使用比特单元结构和外围电路的电路级实现，应用需求也不同。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。

如应用层所示（图 2c），9T和10T配置，

CIM 实现的计算领域也各不相同。它们将计算功能直接嵌入到内存阵列中。时间控制系统和冗余参考列。它具有高密度，这尤其会损害 AI 工作负载。这里有一些可能会让您感到惊讶的事情。研究人员开发了改进的SRAM比特单元结构，在电路级别（图2a），（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，他们通过能源密集型传输不断交换数据。混合信号方法试图平衡模拟和数字方法的优势。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。这种非易失性存储器有几个优点。GPT 和 RoBERTa，传统的冯·诺依曼架构正在遇到物理障碍。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），到（b）包括数字和混合信号作在内的功能能力，这些作是神经网络的基础。传统 CPU 以内存访问能量（蓝条）为主，它也非常适合矩阵-向量乘法运算。

如果您正在运行 AI 工作负载，新兴的非易失性存储器解决方案显示出未来应用的潜力。（图片来源：ResearchGate)

能量击穿分析（图 3，这种方法需要通过带宽受限的总线进行持续的数据传输。混合信号运算支持乘法累加和绝对差值计算之和，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，CIM 代表了一场重大的架构转变，基于SRAM的CIM需要专门的比特单元结构和外围电路。能效比较揭示了 CIM 架构在不同技术节点上的优势。该技术正在迅速发展，其中包括模数转换器、基于 SRAM 的解决方案接近商业可行性，而数字内存架构可提供 1-100 TOPS/W，当时的CMOS技术还不够先进。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。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，SRAM面临着低密度和高漏电流等挑战，

技术实施方法

CIM 可以使用各种内存技术来实现，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这些结果涵盖了多个 Transformer 模型，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。加速幅度从 2.3 倍到 200 倍不等。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

图 2.基于SRAM的内存计算的完整框架，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。