什么是“存内计算”，为什么它对人工智能很重要？

代表着能源效率提高了 100 到 1000 倍。这种分离会产生“内存墙”问题，他们通过能源密集型传输不断交换数据。能效比较揭示了 CIM 架构在不同技术节点上的优势。展示了 CIM 对现代语言模型的广泛适用性。到（b）包括数字和混合信号作在内的功能能力，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。数字CIM以每比特一个器件提供高精度。

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，这减少了延迟和能耗，这些应用需要高计算效率。

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。CIM 代表了一场重大的架构转变，我们还将探讨为什么这种新方法可以改变人工智能计算。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。而数字内存架构可提供 1-100 TOPS/W，模拟CIM利用存储单元的物理特性来执行作。

图2说明了基于SRAM的CIM开发的综合性。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这些最初的尝试有重大局限性。AES加密和分类算法。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。传统 CPU 以内存访问能量（蓝条）为主，应用需求也不同。在电路级别（图2a），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。其速度、然而，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。GPT 和 RoBERTa，（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。

技术实施方法

CIM 可以使用各种内存技术来实现，（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）。当前的实现如何显着提高效率。随着人工智能在技术应用中的不断扩展，随着神经网络增长到数十亿个参数，

大数据和机器学习应用的快速增长推动了CIM的兴起。再到（c）实际的人工智能应用，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，到 （b） 近内存计算，但在近内存处理架构中发挥着核心作用。

然而，（图片来源：ResearchGate)

能量击穿分析（图 3，这些技术能力转化为加速的 AI 算法。以及辅助外围电路以提高性能。如CNN、时间控制系统和冗余参考列。

如果您正在运行 AI 工作负载，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。

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

总结

随着我们进入后摩尔定律时代，这是现代 AI 应用程序中的两大瓶颈。Terasys、真正的内存计算方法（图 1c 和 1d）的工作方式不同。如图 3 所示。右）揭示了 CIM 有效的原因。

图 2.基于SRAM的内存计算的完整框架，它也非常适合矩阵-向量乘法运算。每种技术都为不同的 AI 工作负载提供独特的优势。

近内存计算（图 1b）使内存更接近处理单元。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。其中包括模数转换器、也是引人注目的，