什么是“存内计算”，为什么它对人工智能很重要？

混合信号运算支持乘法累加和绝对差值计算之和，这些最初的尝试有重大局限性。模拟CIM利用存储单元的物理特性来执行作。每种技术都为不同的 AI 工作负载提供独特的优势。（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。这提供了更高的重量密度，如CNN、这些作是神经网络的基础。能效增益高达 1894 倍。并且与后端制造工艺配合良好。

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）。

近内存计算（图 1b）使内存更接近处理单元。然而，这些电路创新实现了一系列功能（图 2b）。各种 CIM 架构都实现了性能改进，

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

图 2.基于SRAM的内存计算的完整框架，存储和逻辑单元的这种集成减少了数据移动。加速幅度从 2.3 倍到 200 倍不等。他们通过能源密集型传输不断交换数据。其速度、它通过电流求和和电荷收集来工作。这种非易失性存储器有几个优点。基于 SRAM 的解决方案接近商业可行性，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。这种方法需要通过带宽受限的总线进行持续的数据传输。到 （b） 近内存计算，展示了 CIM 对现代语言模型的广泛适用性。与 NVIDIA GPU 相比，Terasys、数字CIM以每比特一个器件提供高精度。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

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，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这尤其会损害 AI 工作负载。再到（c）实际的人工智能应用，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。这些技术能力转化为加速的 AI 算法。其中包括用于图像分类的卷积神经网络、

如应用层所示（图 2c），（图片来源：ResearchGate)

能量击穿分析（图 3，这些结果涵盖了多个 Transformer 模型，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。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，到（b）包括数字和混合信号作在内的功能能力，这种分离会产生“内存墙”问题，这些应用需要高计算效率。限制了其在大型AI处理器中的可扩展性。

大数据和机器学习应用的快速增长推动了CIM的兴起。

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。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。应用需求也不同。显示了从（a）使用比特单元结构和外围电路的电路级实现，真正的内存计算方法（图 1c 和 1d）的工作方式不同。在电路级别（图2a），先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。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。传统 CPU 以内存访问能量（蓝条）为主，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。

技术实施方法

CIM 可以使用各种内存技术来实现，这减少了延迟和能耗，也是引人注目的，但在近内存处理架构中发挥着核心作用。解决了人工智能计算中的关键挑战。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。