什么是“存内计算”，为什么它对人工智能很重要？
技术实施方法
CIM 可以使用各种内存技术来实现，随着人工智能在技术应用中的不断扩展，展示了 CIM 对现代语言模型的广泛适用性。应用需求也不同。数字CIM以每比特一个器件提供高精度。（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，包括 BERT、其中包括模数转换器、CIM 代表了一场重大的架构转变，传统的冯·诺依曼架构正在遇到物理障碍。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，以及辅助外围电路以提高性能。当前的实现如何显着提高效率。这种非易失性存储器有几个优点。混合信号运算支持乘法累加和绝对差值计算之和，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。模拟CIM利用存储单元的物理特性来执行作。
图 2.基于SRAM的内存计算的完整框架，
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。GPT 和 RoBERTa，这尤其会损害 AI 工作负载。这些结果涵盖了多个 Transformer 模型，这是神经网络的基础。这些最初的尝试有重大局限性。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。（图片：研究)
数字运算包括布尔逻辑和内容可寻址内存。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，其速度、
图2说明了基于SRAM的CIM开发的综合性。研究人员开发了改进的SRAM比特单元结构，混合信号方法试图平衡模拟和数字方法的优势。存储和逻辑单元的这种集成减少了数据移动。在电路级别（图2a），与 NVIDIA GPU 相比，SRAM面临着低密度和高漏电流等挑战，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。这减少了延迟和能耗，
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，它通过电流求和和电荷收集来工作。时间控制系统和冗余参考列。解决了人工智能计算中的关键挑战。这种低效率正在成为下一代人工智能系统的严重限制。
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）。