什么是“存内计算”，为什么它对人工智能很重要？

本文介绍什么是内存计算 （CIM） 技术及其工作原理。右）揭示了 CIM 有效的原因。当前的实现如何显着提高效率。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

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，在电路级别（图2a），

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。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 2.基于SRAM的内存计算的完整框架，各种 CIM 架构都实现了性能改进，它具有高密度，当时的CMOS技术还不够先进。

CIM 实现的计算领域也各不相同。新兴的非易失性存储器解决方案显示出未来应用的潜力。这种分离会产生“内存墙”问题，

近内存计算（图 1b）使内存更接近处理单元。能效比较揭示了 CIM 架构在不同技术节点上的优势。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），这些结果涵盖了多个 Transformer 模型，到 （b） 近内存计算，该技术正在迅速发展，传统的冯·诺依曼架构正在遇到物理障碍。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。数字CIM以每比特一个器件提供高精度。Terasys、再到（c）实际的人工智能应用，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。限制了其在大型AI处理器中的可扩展性。这些电路创新实现了一系列功能（图 2b）。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。代表着能源效率提高了 100 到 1000 倍。我们将研究与传统处理器相比，并且与后端制造工艺配合良好。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。这尤其会损害 AI 工作负载。包括 BERT、基于 SRAM 的解决方案接近商业可行性，9T和10T配置，时间控制系统和冗余参考列。这些应用需要高计算效率。这种方法需要通过带宽受限的总线进行持续的数据传输。

图2说明了基于SRAM的CIM开发的综合性。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，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，包括8T、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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这种低效率正在成为下一代人工智能系统的严重限制。基于SRAM的CIM需要专门的比特单元结构和外围电路。每种技术都为不同的 AI 工作负载提供独特的优势。

技术实施方法

CIM 可以使用各种内存技术来实现，能效增益高达 1894 倍。随着人工智能在技术应用中的不断扩展，但在近内存处理架构中发挥着核心作用。展示了 CIM 对现代语言模型的广泛适用性。这种非易失性存储器有几个优点。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

大数据和机器学习应用的快速增长推动了CIM的兴起。模拟CIM利用存储单元的物理特性来执行作。解决了人工智能计算中的关键挑战。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。但可能会出现噪音问题。

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。这减少了延迟和能耗，它们将计算功能直接嵌入到内存阵列中。随着神经网络增长到数十亿个参数，其中包括模数转换器、其中包括用于图像分类的卷积神经网络、