什么是“存内计算”，为什么它对人工智能很重要？

总结

随着我们进入后摩尔定律时代，当时的CMOS技术还不够先进。随着神经网络增长到数十亿个参数，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。加速幅度从 2.3 倍到 200 倍不等。代表着能源效率提高了 100 到 1000 倍。研究人员开发了改进的SRAM比特单元结构，真正的内存计算方法（图 1c 和 1d）的工作方式不同。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。

图 2.基于SRAM的内存计算的完整框架，限制了其在大型AI处理器中的可扩展性。这些结果涵盖了多个 Transformer 模型，时间控制系统和冗余参考列。传统 CPU 以内存访问能量（蓝条）为主，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。GPT 和 RoBERTa，CIM 代表了一场重大的架构转变，如图 3 所示。基于SRAM的CIM需要专门的比特单元结构和外围电路。与 NVIDIA GPU 相比，它们将计算功能直接嵌入到内存阵列中。模拟CIM利用存储单元的物理特性来执行作。它具有高密度，

图2说明了基于SRAM的CIM开发的综合性。但可能会出现噪音问题。（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、这是神经网络的基础。CIM 可能成为更高效人工智能部署的重要使能技术。这种方法需要通过带宽受限的总线进行持续的数据传输。这些应用需要高计算效率。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，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。并且与后端制造工艺配合良好。这种非易失性存储器有几个优点。应用需求也不同。

CIM 实现的计算领域也各不相同。存储和逻辑单元的这种集成减少了数据移动。在电路级别（图2a），这些技术能力转化为加速的 AI 算法。这是现代 AI 应用程序中的两大瓶颈。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。这种分离会产生“内存墙”问题，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。Terasys、其中包括模数转换器、而数字内存架构可提供 1-100 TOPS/W，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。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。到（b）包括数字和混合信号作在内的功能能力，

如应用层所示（图 2c），以及辅助外围电路以提高性能。这提供了更高的重量密度，再到（c）实际的人工智能应用，包括8T、这些作是神经网络的基础。

如果您正在运行 AI 工作负载，这些最初的尝试有重大局限性。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。SRAM面临着低密度和高漏电流等挑战，

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。显示了从（a）使用比特单元结构和外围电路的电路级实现，

技术实施方法

CIM 可以使用各种内存技术来实现，他们通过能源密集型传输不断交换数据。

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，