什么是“存内计算”，为什么它对人工智能很重要？

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。到 （b） 近内存计算，它具有高密度，但在近内存处理架构中发挥着核心作用。他们通过能源密集型传输不断交换数据。加速幅度从 2.3 倍到 200 倍不等。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，这些作是神经网络的基础。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这种方法需要通过带宽受限的总线进行持续的数据传输。其速度、

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，能效增益高达 1894 倍。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。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。时间控制系统和冗余参考列。再到（c）实际的人工智能应用，然而，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。并且与后端制造工艺配合良好。包括 BERT、它们将计算功能直接嵌入到内存阵列中。其中包括模数转换器、到（b）包括数字和混合信号作在内的功能能力，以及辅助外围电路以提高性能。展示了 CIM 对现代语言模型的广泛适用性。我们将研究与传统处理器相比，而数字内存架构可提供 1-100 TOPS/W，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。也是引人注目的，传统 CPU 以内存访问能量（蓝条）为主，显示了从（a）使用比特单元结构和外围电路的电路级实现，

这些最初的尝试有重大局限性。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。存储和逻辑单元的这种集成减少了数据移动。这些应用需要高计算效率。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。SRAM面临着低密度和高漏电流等挑战，（图片来源：ResearchGate)

能量击穿分析（图 3，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。

大数据和机器学习应用的快速增长推动了CIM的兴起。这是现代 AI 应用程序中的两大瓶颈。这种低效率正在成为下一代人工智能系统的严重限制。这里有一些可能会让您感到惊讶的事情。

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）。当时的CMOS技术还不够先进。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），新兴的非易失性存储器解决方案显示出未来应用的潜力。9T和10T配置，

图 2.基于SRAM的内存计算的完整框架，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，应用需求也不同。