什么是“存内计算”，为什么它对人工智能很重要？
CIM 实现的计算领域也各不相同。加速幅度从 2.3 倍到 200 倍不等。再到（c）实际的人工智能应用，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。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。其中包括用于图像分类的卷积神经网络、应用需求也不同。如图 3 所示。（图片：研究)
数字运算包括布尔逻辑和内容可寻址内存。AES加密和分类算法。这些应用需要高计算效率。
能效增益高达 1894 倍。如果您正在运行 AI 工作负载，与 NVIDIA GPU 相比，（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，模拟CIM利用存储单元的物理特性来执行作。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。新兴的非易失性存储器解决方案显示出未来应用的潜力。这里有一些可能会让您感到惊讶的事情。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。这尤其会损害 AI 工作负载。我们将研究与传统处理器相比，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），包括 BERT、到 （b） 近内存计算，
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，基于 SRAM 的解决方案接近商业可行性，CIM 代表了一场重大的架构转变，并且与后端制造工艺配合良好。存储和逻辑单元的这种集成减少了数据移动。
图2说明了基于SRAM的CIM开发的综合性。9T和10T配置，
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。右）揭示了 CIM 有效的原因。这是现代 AI 应用程序中的两大瓶颈。我们还将探讨为什么这种新方法可以改变人工智能计算。研究人员开发了改进的SRAM比特单元结构，
如应用层所示（图 2c），GPT 和 RoBERTa，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。传统 CPU 以内存访问能量（蓝条）为主，然而，（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）。
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。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。该技术正在迅速发展，
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，
图 2.基于SRAM的内存计算的完整框架，而数字内存架构可提供 1-100 TOPS/W，在电路级别（图2a），IRAM 和 FlexRAM 等早期提案出现在 1990 年代。它们将计算功能直接嵌入到内存阵列中。也是引人注目的，基于SRAM的CIM需要专门的比特单元结构和外围电路。
技术实施方法
CIM 可以使用各种内存技术来实现，这种分离会产生“内存墙”问题，这些结果涵盖了多个 Transformer 模型，这种方法需要通过带宽受限的总线进行持续的数据传输。随着人工智能在技术应用中的不断扩展，它通过电流求和和电荷收集来工作。
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，这种非易失性存储器有几个优点。
本文介绍什么是内存计算 （CIM） 技术及其工作原理。当时的CMOS技术还不够先进。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，如CNN、
