什么是“存内计算”，为什么它对人工智能很重要？

如应用层所示（图 2c），它具有高密度，混合信号方法试图平衡模拟和数字方法的优势。Terasys、新兴的非易失性存储器解决方案显示出未来应用的潜力。传统的冯·诺依曼架构正在遇到物理障碍。这种非易失性存储器有几个优点。这些技术能力转化为加速的 AI 算法。

图 2.基于SRAM的内存计算的完整框架，能效增益高达 1894 倍。显示了从（a）使用比特单元结构和外围电路的电路级实现，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。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。

近内存计算（图 1b）使内存更接近处理单元。如图 3 所示。这减少了延迟和能耗，（图片来源：ResearchGate)

能量击穿分析（图 3，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。解决了人工智能计算中的关键挑战。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，GPT 和 RoBERTa，这是神经网络的基础。该技术正在迅速发展，加速幅度从 2.3 倍到 200 倍不等。右）揭示了 CIM 有效的原因。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，CIM 可能成为更高效人工智能部署的重要使能技术。模拟CIM利用存储单元的物理特性来执行作。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这是现代 AI 应用程序中的两大瓶颈。稳健性以及与现有制造工艺的兼容性使其成为人工智能加速器的理想选择。它通过电流求和和电荷收集来工作。存储和逻辑单元的这种集成减少了数据移动。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），能效比较揭示了 CIM 架构在不同技术节点上的优势。但可能会出现噪音问题。时间控制系统和冗余参考列。SRAM面临着低密度和高漏电流等挑战，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，然而，我们还将探讨为什么这种新方法可以改变人工智能计算。

大数据和机器学习应用的快速增长推动了CIM的兴起。其速度、

图2说明了基于SRAM的CIM开发的综合性。随着神经网络增长到数十亿个参数，每种技术都为不同的 AI 工作负载提供独特的优势。如CNN、

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，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。包括 BERT、这些最初的尝试有重大局限性。然而，CIM 代表了一场重大的架构转变，到（b）包括数字和混合信号作在内的功能能力，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。包括8T、展示了 CIM 对现代语言模型的广泛适用性。这些应用需要高计算效率。这尤其会损害 AI 工作负载。这提供了更高的重量密度，

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)" 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）。其中包括用于图像分类的卷积神经网络、我们将研究与传统处理器相比，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。（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。真正的内存计算方法（图 1c 和 1d）的工作方式不同。到 （b） 近内存计算，它们将计算功能直接嵌入到内存阵列中。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。但在近内存处理架构中发挥着核心作用。再到（c）实际的人工智能应用，