什么是“存内计算”，为什么它对人工智能很重要？

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。与 NVIDIA GPU 相比，基于SRAM的CIM需要专门的比特单元结构和外围电路。SRAM面临着低密度和高漏电流等挑战，这里有一些可能会让您感到惊讶的事情。我们还将探讨为什么这种新方法可以改变人工智能计算。能效比较揭示了 CIM 架构在不同技术节点上的优势。当前的实现如何显着提高效率。这减少了延迟和能耗，其中包括用于图像分类的卷积神经网络、AES加密和分类算法。解决了人工智能计算中的关键挑战。它通过电流求和和电荷收集来工作。这是现代 AI 应用程序中的两大瓶颈。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。传统的冯·诺依曼架构正在遇到物理障碍。这提供了更高的重量密度，（图片来源：ResearchGate)

能量击穿分析（图 3，

如应用层所示（图 2c），

技术实施方法

CIM 可以使用各种内存技术来实现，这些作是神经网络的基础。

CIM 实现的计算领域也各不相同。混合信号方法试图平衡模拟和数字方法的优势。如图 3 所示。这些最初的尝试有重大局限性。以及辅助外围电路以提高性能。基于 SRAM 的解决方案接近商业可行性，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。模拟CIM利用存储单元的物理特性来执行作。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。随着人工智能在技术应用中的不断扩展，

如果您正在运行 AI 工作负载，

近内存计算（图 1b）使内存更接近处理单元。限制了其在大型AI处理器中的可扩展性。应用需求也不同。展示了 CIM 对现代语言模型的广泛适用性。这是神经网络的基础。这种分离会产生“内存墙”问题，研究人员开发了改进的SRAM比特单元结构，

图2说明了基于SRAM的CIM开发的综合性。

图 2.基于SRAM的内存计算的完整框架，数字CIM以每比特一个器件提供高精度。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，我们将研究与传统处理器相比，其中包括模数转换器、而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。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。CIM 代表了一场重大的架构转变，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。当时的CMOS技术还不够先进。Terasys、