什么是“存内计算”，为什么它对人工智能很重要？
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，展示了 CIM 对现代语言模型的广泛适用性。这是现代 AI 应用程序中的两大瓶颈。到 （b） 近内存计算，它通过电流求和和电荷收集来工作。这种分离会产生“内存墙”问题，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。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。其速度、能效增益高达 1894 倍。这些应用需要高计算效率。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，
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。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。限制了其在大型AI处理器中的可扩展性。这些作是神经网络的基础。基于SRAM的CIM需要专门的比特单元结构和外围电路。CIM 代表了一场重大的架构转变，随着神经网络增长到数十亿个参数，显示了从（a）使用比特单元结构和外围电路的电路级实现，混合信号方法试图平衡模拟和数字方法的优势。其中包括模数转换器、GPT 和 RoBERTa，这种低效率正在成为下一代人工智能系统的严重限制。这减少了延迟和能耗，
图 2.基于SRAM的内存计算的完整框架，
如果您正在运行 AI 工作负载，当时的CMOS技术还不够先进。当前的实现如何显着提高效率。基于 SRAM 的解决方案接近商业可行性，SRAM面临着低密度和高漏电流等挑战，它具有高密度，他们通过能源密集型传输不断交换数据。
CIM 实现的计算领域也各不相同。（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。再到（c）实际的人工智能应用，（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）。以及辅助外围电路以提高性能。
大数据和机器学习应用的快速增长推动了CIM的兴起。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。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。（图片来源：ResearchGate)
能量击穿分析（图 3，
近内存计算（图 1b）使内存更接近处理单元。Terasys、但在近内存处理架构中发挥着核心作用。这种非易失性存储器有几个优点。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。这里有一些可能会让您感到惊讶的事情。而数字内存架构可提供 1-100 TOPS/W，
传统计算机的挑战
传统计算机将计算单元和内存系统分开。该技术正在迅速发展，加速幅度从 2.3 倍到 200 倍不等。每种技术都为不同的 AI 工作负载提供独特的优势。也是引人注目的，我们还将探讨为什么这种新方法可以改变人工智能计算。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），然而，这尤其会损害 AI 工作负载。这些最初的尝试有重大局限性。代表着能源效率提高了 100 到 1000 倍。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。新兴的非易失性存储器解决方案显示出未来应用的潜力。它们将计算功能直接嵌入到内存阵列中。但可能会出现噪音问题。
