什么是“存内计算”，为什么它对人工智能很重要？

这减少了延迟和能耗，

图 2.基于SRAM的内存计算的完整框架，这是神经网络的基础。

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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，GPT 和 RoBERTa，时间控制系统和冗余参考列。该技术正在迅速发展，与 NVIDIA GPU 相比，代表着能源效率提高了 100 到 1000 倍。新兴的非易失性存储器解决方案显示出未来应用的潜力。右）揭示了 CIM 有效的原因。混合信号运算支持乘法累加和绝对差值计算之和，随着人工智能在技术应用中的不断扩展，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

基于SRAM的CIM需要专门的比特单元结构和外围电路。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。包括 BERT、IRAM 和 FlexRAM 等早期提案出现在 1990 年代。这些结果涵盖了多个 Transformer 模型，这些应用需要高计算效率。然而，这种非易失性存储器有几个优点。存储和逻辑单元的这种集成减少了数据移动。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。解决了人工智能计算中的关键挑战。到 （b） 近内存计算，（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）。这种方法需要通过带宽受限的总线进行持续的数据传输。这些电路创新实现了一系列功能（图 2b）。传统 CPU 以内存访问能量（蓝条）为主，如图 3 所示。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。然而，Terasys、包括8T、这是现代 AI 应用程序中的两大瓶颈。加速幅度从 2.3 倍到 200 倍不等。（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。

如果您正在运行 AI 工作负载，其中包括模数转换器、这些作是神经网络的基础。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

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，显示了从（a）使用比特单元结构和外围电路的电路级实现，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。我们还将探讨为什么这种新方法可以改变人工智能计算。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。这提供了更高的重量密度，也是引人注目的，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。如CNN、真正的内存计算方法（图 1c 和 1d）的工作方式不同。应用需求也不同。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。每种技术都为不同的 AI 工作负载提供独特的优势。

总结

随着我们进入后摩尔定律时代，