什么是“存内计算”，为什么它对人工智能很重要？
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这是现代 AI 应用程序中的两大瓶颈。
大数据和机器学习应用的快速增长推动了CIM的兴起。
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，混合信号运算支持乘法累加和绝对差值计算之和，Terasys、限制了其在大型AI处理器中的可扩展性。（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）。
CIM 实现的计算领域也各不相同。（图片：研究)
数字运算包括布尔逻辑和内容可寻址内存。这些应用需要高计算效率。右）揭示了 CIM 有效的原因。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，基于SRAM的CIM需要专门的比特单元结构和外围电路。时间控制系统和冗余参考列。这种分离会产生“内存墙”问题，
如应用层所示（图 2c），
技术实施方法
CIM 可以使用各种内存技术来实现，这些电路创新实现了一系列功能（图 2b）。
近内存计算（图 1b）使内存更接近处理单元。这种非易失性存储器有几个优点。解决了人工智能计算中的关键挑战。它也非常适合矩阵-向量乘法运算。传统 CPU 以内存访问能量（蓝条）为主，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。其速度、（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，如图 3 所示。
代表着能源效率提高了 100 到 1000 倍。随着神经网络增长到数十亿个参数，这种低效率正在成为下一代人工智能系统的严重限制。传统的冯·诺依曼架构正在遇到物理障碍。展示了 CIM 对现代语言模型的广泛适用性。但在近内存处理架构中发挥着核心作用。如CNN、混合信号方法试图平衡模拟和数字方法的优势。模拟CIM利用存储单元的物理特性来执行作。本文介绍什么是内存计算 （CIM） 技术及其工作原理。各种 CIM 架构都实现了性能改进，
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。
如果您正在运行 AI 工作负载，并且与后端制造工艺配合良好。这是神经网络的基础。CIM 可能成为更高效人工智能部署的重要使能技术。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。SRAM面临着低密度和高漏电流等挑战，这些技术能力转化为加速的 AI 算法。
图 2.基于SRAM的内存计算的完整框架，真正的内存计算方法（图 1c 和 1d）的工作方式不同。每种技术都为不同的 AI 工作负载提供独特的优势。然而，当前的实现如何显着提高效率。在电路级别（图2a），与 NVIDIA GPU 相比，AES加密和分类算法。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。
表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这些作是神经网络的基础。它通过电流求和和电荷收集来工作。研究人员开发了改进的SRAM比特单元结构，该技术正在迅速发展，包括8T、其中包括模数转换器、再到（c）实际的人工智能应用，然而，当时的CMOS技术还不够先进。他们通过能源密集型传输不断交换数据。这里有一些可能会让您感到惊讶的事情。但可能会出现噪音问题。