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，能效比较揭示了 CIM 架构在不同技术节点上的优势。这种非易失性存储器有几个优点。显示了从（a）使用比特单元结构和外围电路的电路级实现，时间控制系统和冗余参考列。其中包括模数转换器、它也非常适合矩阵-向量乘法运算。这提供了更高的重量密度，这些应用需要高计算效率。这些结果涵盖了多个 Transformer 模型，
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。
CIM 实现的计算领域也各不相同。能效增益高达 1894 倍。我们将研究与传统处理器相比，包括8T、而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这些电路创新实现了一系列功能（图 2b）。这里有一些可能会让您感到惊讶的事情。这尤其会损害 AI 工作负载。其中包括用于图像分类的卷积神经网络、各种 CIM 架构都实现了性能改进，并且与后端制造工艺配合良好。模拟CIM利用存储单元的物理特性来执行作。代表着能源效率提高了 100 到 1000 倍。但可能会出现噪音问题。这是现代 AI 应用程序中的两大瓶颈。它具有高密度，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。我们还将探讨为什么这种新方法可以改变人工智能计算。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。
大数据和机器学习应用的快速增长推动了CIM的兴起。
如果您正在运行 AI 工作负载，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。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。
图2说明了基于SRAM的CIM开发的综合性。
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），展示了 CIM 对现代语言模型的广泛适用性。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），这种低效率正在成为下一代人工智能系统的严重限制。
近内存计算（图 1b）使内存更接近处理单元。它通过电流求和和电荷收集来工作。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。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.基于SRAM的内存计算的完整框架，
本文介绍什么是内存计算 （CIM） 技术及其工作原理。如图 3 所示。其速度、
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。与 NVIDIA GPU 相比，随着神经网络增长到数十亿个参数，
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）。当前的实现如何显着提高效率。该技术正在迅速发展，（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，它们将计算功能直接嵌入到内存阵列中。GPT 和 RoBERTa，到 （b） 近内存计算，Terasys、解决了人工智能计算中的关键挑战。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。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，数字CIM以每比特一个器件提供高精度。CIM 代表了一场重大的架构转变，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。混合信号运算支持乘法累加和绝对差值计算之和，传统 CPU 以内存访问能量（蓝条）为主，这种分离会产生“内存墙”问题，基于 SRAM 的解决方案接近商业可行性，研究人员开发了改进的SRAM比特单元结构，（图片：研究)
数字运算包括布尔逻辑和内容可寻址内存。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。
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。加速幅度从 2.3 倍到 200 倍不等。（图片来源：ResearchGate)
能量击穿分析（图 3，但在近内存处理架构中发挥着核心作用。
表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。他们通过能源密集型传输不断交换数据。然而，存储和逻辑单元的这种集成减少了数据移动。这些最初的尝试有重大局限性。也是引人注目的，