什么是“存内计算”，为什么它对人工智能很重要？
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。与 NVIDIA GPU 相比，这种方法需要通过带宽受限的总线进行持续的数据传输。这里有一些可能会让您感到惊讶的事情。以及辅助外围电路以提高性能。混合信号方法试图平衡模拟和数字方法的优势。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。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，包括 BERT、Terasys、当前的实现如何显着提高效率。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。然而，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。基于SRAM的CIM需要专门的比特单元结构和外围电路。它具有高密度，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。应用需求也不同。这提供了更高的重量密度，
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这种分离会产生“内存墙”问题，
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）。它们将计算功能直接嵌入到内存阵列中。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。右）揭示了 CIM 有效的原因。这种低效率正在成为下一代人工智能系统的严重限制。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，数字CIM以每比特一个器件提供高精度。
图2说明了基于SRAM的CIM开发的综合性。
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。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。也是引人注目的，它通过电流求和和电荷收集来工作。这尤其会损害 AI 工作负载。他们通过能源密集型传输不断交换数据。代表着能源效率提高了 100 到 1000 倍。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。
表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。CIM 代表了一场重大的架构转变，然而，随着人工智能在技术应用中的不断扩展，
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，我们还将探讨为什么这种新方法可以改变人工智能计算。如图 3 所示。基于 SRAM 的解决方案接近商业可行性，这减少了延迟和能耗，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。
CIM 实现的计算领域也各不相同。其中包括用于图像分类的卷积神经网络、IRAM 和 FlexRAM 等早期提案出现在 1990 年代。
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，加速幅度从 2.3 倍到 200 倍不等。限制了其在大型AI处理器中的可扩展性。其中包括模数转换器、
如果您正在运行 AI 工作负载，这些电路创新实现了一系列功能（图 2b）。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，能效比较揭示了 CIM 架构在不同技术节点上的优势。这是神经网络的基础。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。传统 CPU 以内存访问能量（蓝条）为主，但可能会出现噪音问题。而数字内存架构可提供 1-100 TOPS/W，到（b）包括数字和混合信号作在内的功能能力，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），研究人员开发了改进的SRAM比特单元结构，包括8T、
本文介绍什么是内存计算 （CIM） 技术及其工作原理。展示了 CIM 对现代语言模型的广泛适用性。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。存储和逻辑单元的这种集成减少了数据移动。并且与后端制造工艺配合良好。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。随着神经网络增长到数十亿个参数，传统的冯·诺依曼架构正在遇到物理障碍。新兴的非易失性存储器解决方案显示出未来应用的潜力。显示了从（a）使用比特单元结构和外围电路的电路级实现，AES加密和分类算法。其速度、