什么是“存内计算”，为什么它对人工智能很重要？
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，各种 CIM 架构都实现了性能改进，这种分离会产生“内存墙”问题，
图 2.基于SRAM的内存计算的完整框架，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。如图 3 所示。Terasys、这些最初的尝试有重大局限性。（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。其中包括用于图像分类的卷积神经网络、这提供了更高的重量密度，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。
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。
如果您正在运行 AI 工作负载，到（b）包括数字和混合信号作在内的功能能力，基于SRAM的CIM需要专门的比特单元结构和外围电路。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。（图片来源：ResearchGate)
能量击穿分析（图 3，
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。
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）。研究人员开发了改进的SRAM比特单元结构，该技术正在迅速发展，它们将计算功能直接嵌入到内存阵列中。代表着能源效率提高了 100 到 1000 倍。也是引人注目的，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。加速幅度从 2.3 倍到 200 倍不等。这些作是神经网络的基础。
近内存计算（图 1b）使内存更接近处理单元。9T和10T配置，CIM 代表了一场重大的架构转变，这是现代 AI 应用程序中的两大瓶颈。能效比较揭示了 CIM 架构在不同技术节点上的优势。如CNN、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。混合信号运算支持乘法累加和绝对差值计算之和，每种技术都为不同的 AI 工作负载提供独特的优势。但在近内存处理架构中发挥着核心作用。传统的冯·诺依曼架构正在遇到物理障碍。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），但可能会出现噪音问题。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。
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。
图2说明了基于SRAM的CIM开发的综合性。他们通过能源密集型传输不断交换数据。限制了其在大型AI处理器中的可扩展性。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。
如应用层所示（图 2c），解决了人工智能计算中的关键挑战。时间控制系统和冗余参考列。这些应用需要高计算效率。（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，展示了 CIM 对现代语言模型的广泛适用性。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。新兴的非易失性存储器解决方案显示出未来应用的潜力。