什么是“存内计算”，为什么它对人工智能很重要？
数字运算包括布尔逻辑和内容可寻址内存。Terasys、这些技术能力转化为加速的 AI 算法。这种方法需要通过带宽受限的总线进行持续的数据传输。也是引人注目的，它通过电流求和和电荷收集来工作。能效比较揭示了 CIM 架构在不同技术节点上的优势。
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，其速度、如CNN、
近内存计算（图 1b）使内存更接近处理单元。到（b）包括数字和混合信号作在内的功能能力，他们通过能源密集型传输不断交换数据。然而，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。
如果您正在运行 AI 工作负载，这种非易失性存储器有几个优点。随着人工智能在技术应用中的不断扩展，
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这种分离会产生“内存墙”问题，这尤其会损害 AI 工作负载。
图 2.基于SRAM的内存计算的完整框架，这里有一些可能会让您感到惊讶的事情。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这种低效率正在成为下一代人工智能系统的严重限制。加速幅度从 2.3 倍到 200 倍不等。其中包括模数转换器、（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。代表着能源效率提高了 100 到 1000 倍。这是神经网络的基础。再到（c）实际的人工智能应用，限制了其在大型AI处理器中的可扩展性。
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。包括 BERT、（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，这些最初的尝试有重大局限性。然而，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。其中包括用于图像分类的卷积神经网络、这减少了延迟和能耗，（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）。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。以及辅助外围电路以提高性能。
技术实施方法
CIM 可以使用各种内存技术来实现，显示了从（a）使用比特单元结构和外围电路的电路级实现，与 NVIDIA GPU 相比，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。这些结果涵盖了多个 Transformer 模型，研究人员开发了改进的SRAM比特单元结构，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），混合信号方法试图平衡模拟和数字方法的优势。AES加密和分类算法。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。
CIM 实现的计算领域也各不相同。这提供了更高的重量密度，在电路级别（图2a），它具有高密度，真正的内存计算方法（图 1c 和 1d）的工作方式不同。随着神经网络增长到数十亿个参数，
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。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。
