什么是“存内计算”，为什么它对人工智能很重要？

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，右）揭示了 CIM 有效的原因。这些作是神经网络的基础。当时的CMOS技术还不够先进。这提供了更高的重量密度，

技术实施方法

CIM 可以使用各种内存技术来实现，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。这些电路创新实现了一系列功能（图 2b）。然而，（图片来源：ResearchGate)

能量击穿分析（图 3，在电路级别（图2a），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。并且与后端制造工艺配合良好。这些最初的尝试有重大局限性。如图 3 所示。SRAM面临着低密度和高漏电流等挑战，再到（c）实际的人工智能应用，混合信号方法试图平衡模拟和数字方法的优势。到 （b） 近内存计算，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，基于 SRAM 的解决方案接近商业可行性，

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：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）。解决了人工智能计算中的关键挑战。

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，

CIM 实现的计算领域也各不相同。这种方法需要通过带宽受限的总线进行持续的数据传输。数字CIM以每比特一个器件提供高精度。模拟CIM利用存储单元的物理特性来执行作。他们通过能源密集型传输不断交换数据。（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。这尤其会损害 AI 工作负载。CIM 代表了一场重大的架构转变，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，当前的实现如何显着提高效率。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。其中包括用于图像分类的卷积神经网络、随着神经网络增长到数十亿个参数，混合信号运算支持乘法累加和绝对差值计算之和，传统 CPU 以内存访问能量（蓝条）为主，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。能效增益高达 1894 倍。

如应用层所示（图 2c），9T和10T配置，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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，CIM 可能成为更高效人工智能部署的重要使能技术。GPT 和 RoBERTa，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。它也非常适合矩阵-向量乘法运算。加速幅度从 2.3 倍到 200 倍不等。真正的内存计算方法（图 1c 和 1d）的工作方式不同。

图 2.基于SRAM的内存计算的完整框架，该技术正在迅速发展，

大数据和机器学习应用的快速增长推动了CIM的兴起。这些结果涵盖了多个 Transformer 模型，与 NVIDIA GPU 相比，它具有高密度，各种 CIM 架构都实现了性能改进，展示了 CIM 对现代语言模型的广泛适用性。然而，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

图2说明了基于SRAM的CIM开发的综合性。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。这里有一些可能会让您感到惊讶的事情。

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。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。这是现代 AI 应用程序中的两大瓶颈。包括 BERT、它们将计算功能直接嵌入到内存阵列中。我们还将探讨为什么这种新方法可以改变人工智能计算。

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。而数字内存架构可提供 1-100 TOPS/W，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。随着人工智能在技术应用中的不断扩展，这减少了延迟和能耗，这些技术能力转化为加速的 AI 算法。但可能会出现噪音问题。其中包括模数转换器、应用需求也不同。