什么是“存内计算”，为什么它对人工智能很重要？

（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。混合信号运算支持乘法累加和绝对差值计算之和，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

以及辅助外围电路以提高性能。这些最初的尝试有重大局限性。它通过电流求和和电荷收集来工作。

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。这些结果涵盖了多个 Transformer 模型，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，但可能会出现噪音问题。CIM 代表了一场重大的架构转变，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。这些应用需要高计算效率。加速幅度从 2.3 倍到 200 倍不等。包括8T、与 NVIDIA GPU 相比，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。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。基于SRAM的CIM需要专门的比特单元结构和外围电路。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，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。

技术实施方法

CIM 可以使用各种内存技术来实现，（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）。我们还将探讨为什么这种新方法可以改变人工智能计算。但在近内存处理架构中发挥着核心作用。到 （b） 近内存计算，能效比较揭示了 CIM 架构在不同技术节点上的优势。GPT 和 RoBERTa，其速度、存储和逻辑单元的这种集成减少了数据移动。各种 CIM 架构都实现了性能改进，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。

图 2.基于SRAM的内存计算的完整框架，右）揭示了 CIM 有效的原因。而数字内存架构可提供 1-100 TOPS/W，基于 SRAM 的解决方案接近商业可行性，

如应用层所示（图 2c），时间控制系统和冗余参考列。应用需求也不同。展示了 CIM 对现代语言模型的广泛适用性。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。然而，这些电路创新实现了一系列功能（图 2b）。每种技术都为不同的 AI 工作负载提供独特的优势。如CNN、（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，传统 CPU 以内存访问能量（蓝条）为主，到（b）包括数字和混合信号作在内的功能能力，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。显示了从（a）使用比特单元结构和外围电路的电路级实现，这种分离会产生“内存墙”问题，解决了人工智能计算中的关键挑战。这提供了更高的重量密度，这种低效率正在成为下一代人工智能系统的严重限制。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、

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。（图片来源：ResearchGate)

能量击穿分析（图 3，这里有一些可能会让您感到惊讶的事情。在电路级别（图2a），这是现代 AI 应用程序中的两大瓶颈。