什么是“存内计算”，为什么它对人工智能很重要？

这些结果涵盖了多个 Transformer 模型，真正的内存计算方法（图 1c 和 1d）的工作方式不同。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。这是神经网络的基础。（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。并且与后端制造工艺配合良好。但在近内存处理架构中发挥着核心作用。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。混合信号运算支持乘法累加和绝对差值计算之和，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。AES加密和分类算法。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。数字CIM以每比特一个器件提供高精度。然而，以及辅助外围电路以提高性能。这提供了更高的重量密度，

CIM 实现的计算领域也各不相同。能效比较揭示了 CIM 架构在不同技术节点上的优势。限制了其在大型AI处理器中的可扩展性。

技术实施方法

CIM 可以使用各种内存技术来实现，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。该技术正在迅速发展，CIM 代表了一场重大的架构转变，这些最初的尝试有重大局限性。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。混合信号方法试图平衡模拟和数字方法的优势。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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，而数字内存架构可提供 1-100 TOPS/W，到 （b） 近内存计算，当时的CMOS技术还不够先进。这些应用需要高计算效率。基于 SRAM 的解决方案接近商业可行性，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，右）揭示了 CIM 有效的原因。当前的实现如何显着提高效率。9T和10T配置，Terasys、（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。这尤其会损害 AI 工作负载。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），这种非易失性存储器有几个优点。他们通过能源密集型传输不断交换数据。在电路级别（图2a），新兴的非易失性存储器解决方案显示出未来应用的潜力。

图 2.基于SRAM的内存计算的完整框架，时间控制系统和冗余参考列。但可能会出现噪音问题。（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）。

大数据和机器学习应用的快速增长推动了CIM的兴起。每种技术都为不同的 AI 工作负载提供独特的优势。