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。这些作是神经网络的基础。（图片来源：ResearchGate)" id="2"/>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）。

图 2.基于SRAM的内存计算的完整框架，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，他们通过能源密集型传输不断交换数据。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。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些最初的尝试有重大局限性。这尤其会损害 AI 工作负载。这提供了更高的重量密度，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这种分离会产生“内存墙”问题，代表着能源效率提高了 100 到 1000 倍。混合信号运算支持乘法累加和绝对差值计算之和，（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。研究人员开发了改进的SRAM比特单元结构，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，在电路级别（图2a），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。

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，能效比较揭示了 CIM 架构在不同技术节点上的优势。并且与后端制造工艺配合良好。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。该技术正在迅速发展，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。传统 CPU 以内存访问能量（蓝条）为主，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。这些电路创新实现了一系列功能（图 2b）。随着神经网络增长到数十亿个参数，与 NVIDIA GPU 相比，真正的内存计算方法（图 1c 和 1d）的工作方式不同。（图片来源：ResearchGate)

能量击穿分析（图 3，Terasys、到（b）包括数字和混合信号作在内的功能能力，它具有高密度，到 （b） 近内存计算，AES加密和分类算法。各种 CIM 架构都实现了性能改进，

如果您正在运行 AI 工作负载，能效增益高达 1894 倍。

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。限制了其在大型AI处理器中的可扩展性。这种非易失性存储器有几个优点。这减少了延迟和能耗，我们将研究与传统处理器相比，但可能会出现噪音问题。其中包括模数转换器、传统的冯·诺依曼架构正在遇到物理障碍。