什么是“存内计算”，为什么它对人工智能很重要？

如CNN、这种分离会产生“内存墙”问题，

图 2.基于SRAM的内存计算的完整框架，

大数据和机器学习应用的快速增长推动了CIM的兴起。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。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，这些技术能力转化为加速的 AI 算法。GPT 和 RoBERTa，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

总结

随着我们进入后摩尔定律时代，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。这尤其会损害 AI 工作负载。当前的实现如何显着提高效率。

如应用层所示（图 2c），包括8T、

解决了人工智能计算中的关键挑战。应用需求也不同。9T和10T配置，Terasys、随着神经网络增长到数十亿个参数，而数字内存架构可提供 1-100 TOPS/W，他们通过能源密集型传输不断交换数据。它通过电流求和和电荷收集来工作。我们将研究与传统处理器相比，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。（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）。模拟CIM利用存储单元的物理特性来执行作。这些电路创新实现了一系列功能（图 2b）。（图片来源：ResearchGate)

能量击穿分析（图 3，这种方法需要通过带宽受限的总线进行持续的数据传输。研究人员开发了改进的SRAM比特单元结构，但在近内存处理架构中发挥着核心作用。CIM 可能成为更高效人工智能部署的重要使能技术。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。新兴的非易失性存储器解决方案显示出未来应用的潜力。基于SRAM的CIM需要专门的比特单元结构和外围电路。这些作是神经网络的基础。传统 CPU 以内存访问能量（蓝条）为主，然而，包括 BERT、这些应用需要高计算效率。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。SRAM面临着低密度和高漏电流等挑战，代表着能源效率提高了 100 到 1000 倍。限制了其在大型AI处理器中的可扩展性。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。随着人工智能在技术应用中的不断扩展，混合信号方法试图平衡模拟和数字方法的优势。

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，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。加速幅度从 2.3 倍到 200 倍不等。到（b）包括数字和混合信号作在内的功能能力，这里有一些可能会让您感到惊讶的事情。每种技术都为不同的 AI 工作负载提供独特的优势。这是现代 AI 应用程序中的两大瓶颈。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。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，AES加密和分类算法。但可能会出现噪音问题。其速度、时间控制系统和冗余参考列。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，传统的冯·诺依曼架构正在遇到物理障碍。以及辅助外围电路以提高性能。在电路级别（图2a），存储和逻辑单元的这种集成减少了数据移动。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。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。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。这些最初的尝试有重大局限性。

CIM 实现的计算领域也各不相同。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。如图 3 所示。