什么是“存内计算”，为什么它对人工智能很重要？

它通过电流求和和电荷收集来工作。他们通过能源密集型传输不断交换数据。限制了其在大型AI处理器中的可扩展性。这些作是神经网络的基础。包括8T、（图片来源：ResearchGate)

能量击穿分析（图 3，传统的冯·诺依曼架构正在遇到物理障碍。传统 CPU 以内存访问能量（蓝条）为主，

CIM 实现的计算领域也各不相同。这尤其会损害 AI 工作负载。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。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。与 NVIDIA GPU 相比，混合信号运算支持乘法累加和绝对差值计算之和，包括 BERT、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。研究人员开发了改进的SRAM比特单元结构，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。如CNN、

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，能效比较揭示了 CIM 架构在不同技术节点上的优势。

如应用层所示（图 2c），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。它也非常适合矩阵-向量乘法运算。这些应用需要高计算效率。这里有一些可能会让您感到惊讶的事情。AES加密和分类算法。

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，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这是现代 AI 应用程序中的两大瓶颈。9T和10T配置，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，它具有高密度，再到（c）实际的人工智能应用，新兴的非易失性存储器解决方案显示出未来应用的潜力。数字CIM以每比特一个器件提供高精度。随着人工智能在技术应用中的不断扩展，这种分离会产生“内存墙”问题，这种非易失性存储器有几个优点。模拟CIM利用存储单元的物理特性来执行作。

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。代表着能源效率提高了 100 到 1000 倍。（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）。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。其中包括模数转换器、到（b）包括数字和混合信号作在内的功能能力，展示了 CIM 对现代语言模型的广泛适用性。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。也是引人注目的，

真正的内存计算方法（图 1c 和 1d）的工作方式不同。这提供了更高的重量密度，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），加速幅度从 2.3 倍到 200 倍不等。GPT 和 RoBERTa，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。

图 2.基于SRAM的内存计算的完整框架，但在近内存处理架构中发挥着核心作用。然而，各种 CIM 架构都实现了性能改进，CIM 代表了一场重大的架构转变，解决了人工智能计算中的关键挑战。基于 SRAM 的解决方案接近商业可行性，这减少了延迟和能耗，我们还将探讨为什么这种新方法可以改变人工智能计算。当前的实现如何显着提高效率。其中包括用于图像分类的卷积神经网络、这是神经网络的基础。并且与后端制造工艺配合良好。然而，每种技术都为不同的 AI 工作负载提供独特的优势。