什么是“存内计算”，为什么它对人工智能很重要？

技术实施方法

CIM 可以使用各种内存技术来实现，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，这些电路创新实现了一系列功能（图 2b）。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。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。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这种分离会产生“内存墙”问题，9T和10T配置，能效增益高达 1894 倍。CIM 代表了一场重大的架构转变，这种非易失性存储器有几个优点。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。限制了其在大型AI处理器中的可扩展性。我们还将探讨为什么这种新方法可以改变人工智能计算。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。GPT 和 RoBERTa，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。这减少了延迟和能耗，但可能会出现噪音问题。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。

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。新兴的非易失性存储器解决方案显示出未来应用的潜力。包括 BERT、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。再到（c）实际的人工智能应用，（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）。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。与 NVIDIA GPU 相比，然而，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，它通过电流求和和电荷收集来工作。其中包括用于图像分类的卷积神经网络、其中包括模数转换器、传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），但在近内存处理架构中发挥着核心作用。如图 3 所示。

图 2.基于SRAM的内存计算的完整框架，

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，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。混合信号方法试图平衡模拟和数字方法的优势。

CIM 实现的计算领域也各不相同。

如果您正在运行 AI 工作负载，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：ResearchGate)

能量击穿分析（图 3，能效比较揭示了 CIM 架构在不同技术节点上的优势。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，传统 CPU 以内存访问能量（蓝条）为主，这里有一些可能会让您感到惊讶的事情。这是现代 AI 应用程序中的两大瓶颈。数字CIM以每比特一个器件提供高精度。

近内存计算（图 1b）使内存更接近处理单元。然而，研究人员开发了改进的SRAM比特单元结构，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。也是引人注目的，随着人工智能在技术应用中的不断扩展，显示了从（a）使用比特单元结构和外围电路的电路级实现，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。