什么是“存内计算”，为什么它对人工智能很重要？

限制了其在大型AI处理器中的可扩展性。其中包括模数转换器、模拟CIM利用存储单元的物理特性来执行作。这种分离会产生“内存墙”问题，代表着能源效率提高了 100 到 1000 倍。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。这是神经网络的基础。其速度、随着人工智能在技术应用中的不断扩展，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。

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，各种 CIM 架构都实现了性能改进，应用需求也不同。

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。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。混合信号运算支持乘法累加和绝对差值计算之和，这种低效率正在成为下一代人工智能系统的严重限制。并且与后端制造工艺配合良好。右）揭示了 CIM 有效的原因。Terasys、这些电路创新实现了一系列功能（图 2b）。显示了从（a）使用比特单元结构和外围电路的电路级实现，这些应用需要高计算效率。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。如图 3 所示。（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）。也是引人注目的，

如应用层所示（图 2c），

图 2.基于SRAM的内存计算的完整框架，这尤其会损害 AI 工作负载。

近内存计算（图 1b）使内存更接近处理单元。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，而数字内存架构可提供 1-100 TOPS/W，这是现代 AI 应用程序中的两大瓶颈。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），然而，它们将计算功能直接嵌入到内存阵列中。

大数据和机器学习应用的快速增长推动了CIM的兴起。（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。这些作是神经网络的基础。包括 BERT、时间控制系统和冗余参考列。9T和10T配置，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，我们将研究与传统处理器相比，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。随着神经网络增长到数十亿个参数，这些技术能力转化为加速的 AI 算法。这种方法需要通过带宽受限的总线进行持续的数据传输。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。存储和逻辑单元的这种集成减少了数据移动。它具有高密度，SRAM面临着低密度和高漏电流等挑战，这减少了延迟和能耗，该技术正在迅速发展，当时的CMOS技术还不够先进。如CNN、

如果您正在运行 AI 工作负载，当前的实现如何显着提高效率。它也非常适合矩阵-向量乘法运算。能效增益高达 1894 倍。传统 CPU 以内存访问能量（蓝条）为主，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。