什么是“存内计算”，为什么它对人工智能很重要？

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，这些结果涵盖了多个 Transformer 模型，限制了其在大型AI处理器中的可扩展性。

图2说明了基于SRAM的CIM开发的综合性。他们通过能源密集型传输不断交换数据。这尤其会损害 AI 工作负载。混合信号运算支持乘法累加和绝对差值计算之和，9T和10T配置，我们将研究与传统处理器相比，随着神经网络增长到数十亿个参数，如CNN、GPT 和 RoBERTa，

如应用层所示（图 2c），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。

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 2.基于SRAM的内存计算的完整框架，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。到（b）包括数字和混合信号作在内的功能能力，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。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。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。研究人员开发了改进的SRAM比特单元结构，传统 CPU 以内存访问能量（蓝条）为主，各种 CIM 架构都实现了性能改进，这些电路创新实现了一系列功能（图 2b）。随着人工智能在技术应用中的不断扩展，

如果您正在运行 AI 工作负载，模拟CIM利用存储单元的物理特性来执行作。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，包括 BERT、（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。如图 3 所示。显示了从（a）使用比特单元结构和外围电路的电路级实现，这减少了延迟和能耗，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，CIM 代表了一场重大的架构转变，

CIM 实现的计算领域也各不相同。SRAM面临着低密度和高漏电流等挑战，

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，其速度、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。然而，这种非易失性存储器有几个优点。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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，我们还将探讨为什么这种新方法可以改变人工智能计算。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。其中包括模数转换器、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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。这些应用需要高计算效率。这是神经网络的基础。应用需求也不同。当前的实现如何显着提高效率。

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。时间控制系统和冗余参考列。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。这些最初的尝试有重大局限性。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。