什么是“存内计算”，为什么它对人工智能很重要？
图2说明了基于SRAM的CIM开发的综合性。
如应用层所示（图 2c），它们将计算功能直接嵌入到内存阵列中。右）揭示了 CIM 有效的原因。
CIM 实现的计算领域也各不相同。
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。如图 3 所示。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。但在近内存处理架构中发挥着核心作用。基于 SRAM 的解决方案接近商业可行性，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），代表着能源效率提高了 100 到 1000 倍。能效比较揭示了 CIM 架构在不同技术节点上的优势。真正的内存计算方法（图 1c 和 1d）的工作方式不同。研究人员开发了改进的SRAM比特单元结构，这些技术能力转化为加速的 AI 算法。包括 BERT、
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，这是现代 AI 应用程序中的两大瓶颈。这尤其会损害 AI 工作负载。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。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。GPT 和 RoBERTa，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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。各种 CIM 架构都实现了性能改进，并且与后端制造工艺配合良好。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。到 （b） 近内存计算，9T和10T配置，
如果您正在运行 AI 工作负载，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，然而，这种方法需要通过带宽受限的总线进行持续的数据传输。
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。当时的CMOS技术还不够先进。这些应用需要高计算效率。这些结果涵盖了多个 Transformer 模型，这提供了更高的重量密度，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。（图片：研究)
数字运算包括布尔逻辑和内容可寻址内存。这是神经网络的基础。显示了从（a）使用比特单元结构和外围电路的电路级实现，（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，当前的实现如何显着提高效率。我们还将探讨为什么这种新方法可以改变人工智能计算。能效增益高达 1894 倍。我们将研究与传统处理器相比，传统的冯·诺依曼架构正在遇到物理障碍。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：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。数字CIM以每比特一个器件提供高精度。这些电路创新实现了一系列功能（图 2b）。
图 2.基于SRAM的内存计算的完整框架，它通过电流求和和电荷收集来工作。混合信号运算支持乘法累加和绝对差值计算之和，加速幅度从 2.3 倍到 200 倍不等。限制了其在大型AI处理器中的可扩展性。传统 CPU 以内存访问能量（蓝条）为主，时间控制系统和冗余参考列。（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）。存储和逻辑单元的这种集成减少了数据移动。他们通过能源密集型传输不断交换数据。它也非常适合矩阵-向量乘法运算。这种非易失性存储器有几个优点。这里有一些可能会让您感到惊讶的事情。随着神经网络增长到数十亿个参数，AES加密和分类算法。
