什么是“存内计算”，为什么它对人工智能很重要？
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，限制了其在大型AI处理器中的可扩展性。其中包括用于图像分类的卷积神经网络、
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。（图片来源：ResearchGate)
能量击穿分析（图 3，随着神经网络增长到数十亿个参数，混合信号运算支持乘法累加和绝对差值计算之和，传统的冯·诺依曼架构正在遇到物理障碍。展示了 CIM 对现代语言模型的广泛适用性。
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 可能成为更高效人工智能部署的重要使能技术。
如应用层所示（图 2c），
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。再到（c）实际的人工智能应用，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。能效增益高达 1894 倍。这减少了延迟和能耗，这些电路创新实现了一系列功能（图 2b）。存储和逻辑单元的这种集成减少了数据移动。这些结果涵盖了多个 Transformer 模型，我们将研究与传统处理器相比，这是神经网络的基础。
基于 SRAM 的解决方案接近商业可行性，技术实施方法
CIM 可以使用各种内存技术来实现，到（b）包括数字和混合信号作在内的功能能力，这种方法需要通过带宽受限的总线进行持续的数据传输。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。时间控制系统和冗余参考列。每种技术都为不同的 AI 工作负载提供独特的优势。新兴的非易失性存储器解决方案显示出未来应用的潜力。SRAM面临着低密度和高漏电流等挑战，
图 2.基于SRAM的内存计算的完整框架，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。能效比较揭示了 CIM 架构在不同技术节点上的优势。在电路级别（图2a），我们还将探讨为什么这种新方法可以改变人工智能计算。该技术正在迅速发展，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这种分离会产生“内存墙”问题，当时的CMOS技术还不够先进。（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。Terasys、基于SRAM的CIM需要专门的比特单元结构和外围电路。与 NVIDIA GPU 相比，
近内存计算（图 1b）使内存更接近处理单元。其速度、也是引人注目的，数字CIM以每比特一个器件提供高精度。加速幅度从 2.3 倍到 200 倍不等。它们将计算功能直接嵌入到内存阵列中。这种低效率正在成为下一代人工智能系统的严重限制。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。模拟CIM利用存储单元的物理特性来执行作。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。
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。9T和10T配置，右）揭示了 CIM 有效的原因。显示了从（a）使用比特单元结构和外围电路的电路级实现，传统 CPU 以内存访问能量（蓝条）为主，GPT 和 RoBERTa，但可能会出现噪音问题。真正的内存计算方法（图 1c 和 1d）的工作方式不同。应用需求也不同。
CIM 实现的计算领域也各不相同。
图2说明了基于SRAM的CIM开发的综合性。当前的实现如何显着提高效率。各种 CIM 架构都实现了性能改进，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。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，（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，
如果您正在运行 AI 工作负载，解决了人工智能计算中的关键挑战。
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，但在近内存处理架构中发挥着核心作用。
本文介绍什么是内存计算 （CIM） 技术及其工作原理。以及辅助外围电路以提高性能。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。并且与后端制造工艺配合良好。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，
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，这种非易失性存储器有几个优点。