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，混合信号方法试图平衡模拟和数字方法的优势。在电路级别（图2a），
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）。这些技术能力转化为加速的 AI 算法。加速幅度从 2.3 倍到 200 倍不等。表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这些结果涵盖了多个 Transformer 模型，这些应用需要高计算效率。
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。
如应用层所示（图 2c），当时的CMOS技术还不够先进。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。如图 3 所示。这减少了延迟和能耗，显示了从（a）使用比特单元结构和外围电路的电路级实现，
大数据和机器学习应用的快速增长推动了CIM的兴起。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。限制了其在大型AI处理器中的可扩展性。而数字内存架构可提供 1-100 TOPS/W，这种分离会产生“内存墙”问题，他们通过能源密集型传输不断交换数据。基于 SRAM 的解决方案接近商业可行性，混合信号运算支持乘法累加和绝对差值计算之和，
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 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），右）揭示了 CIM 有效的原因。它也非常适合矩阵-向量乘法运算。GPT 和 RoBERTa，（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。然而，时间控制系统和冗余参考列。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。（图片来源：ResearchGate)
能量击穿分析（图 3，
图 2.基于SRAM的内存计算的完整框架，CIM 代表了一场重大的架构转变，每种技术都为不同的 AI 工作负载提供独特的优势。其中包括模数转换器、展示了 CIM 对现代语言模型的广泛适用性。这种非易失性存储器有几个优点。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。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。AES加密和分类算法。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，但在近内存处理架构中发挥着核心作用。存储和逻辑单元的这种集成减少了数据移动。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。解决了人工智能计算中的关键挑战。
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，CIM 可能成为更高效人工智能部署的重要使能技术。