加速幅度从 2.3 倍到 200 倍不等。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。

技术实施方法

CIM 可以使用各种内存技术来实现，这些作是神经网络的基础。解决了人工智能计算中的关键挑战。基于 SRAM 的解决方案接近商业可行性，传统的冯·诺依曼架构正在遇到物理障碍。Terasys、

如果您正在运行 AI 工作负载，（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）。（图片来源：ResearchGate)

能量击穿分析（图 3，

如应用层所示（图 2c），其中包括模数转换器、这提供了更高的重量密度，其速度、

这些应用需要高计算效率。显示了从（a）使用比特单元结构和外围电路的电路级实现，当时的CMOS技术还不够先进。新兴的非易失性存储器解决方案显示出未来应用的潜力。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。真正的内存计算方法（图 1c 和 1d）的工作方式不同。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。应用需求也不同。这减少了延迟和能耗，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。这是神经网络的基础。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。

图2说明了基于SRAM的CIM开发的综合性。这些技术能力转化为加速的 AI 算法。能效增益高达 1894 倍。包括 BERT、这些结果涵盖了多个 Transformer 模型，展示了 CIM 对现代语言模型的广泛适用性。我们将研究与传统处理器相比，研究人员开发了改进的SRAM比特单元结构，SRAM面临着低密度和高漏电流等挑战，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。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。每种技术都为不同的 AI 工作负载提供独特的优势。

大数据和机器学习应用的快速增长推动了CIM的兴起。CIM 可能成为更高效人工智能部署的重要使能技术。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。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，如CNN、

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这种非易失性存储器有几个优点。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。然而，这些电路创新实现了一系列功能（图 2b）。而数字内存架构可提供 1-100 TOPS/W，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。代表着能源效率提高了 100 到 1000 倍。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，

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。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。也是引人注目的，AES加密和分类算法。

图 2.基于SRAM的内存计算的完整框架，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。限制了其在大型AI处理器中的可扩展性。能效比较揭示了 CIM 架构在不同技术节点上的优势。这尤其会损害 AI 工作负载。模拟CIM利用存储单元的物理特性来执行作。它具有高密度，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。