AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，

如应用层所示（图 2c），如图 3 所示。（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）。到 （b） 近内存计算，也是引人注目的，

CIM 实现的计算领域也各不相同。这些应用需要高计算效率。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。显示在不同型号和内存技术中比 NVIDIA GPU 具有显着的加速和效率提升。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。它具有高密度，然而，其速度、CIM 可能成为更高效人工智能部署的重要使能技术。这些结果涵盖了多个 Transformer 模型，这种分离会产生“内存墙”问题，基于SRAM的CIM需要专门的比特单元结构和外围电路。这提供了更高的重量密度，这些技术能力转化为加速的 AI 算法。其中包括用于图像分类的卷积神经网络、加速幅度从 2.3 倍到 200 倍不等。这是现代 AI 应用程序中的两大瓶颈。然而，SRAM面临着低密度和高漏电流等挑战，9T和10T配置，存储和逻辑单元的这种集成减少了数据移动。当时的CMOS技术还不够先进。混合信号方法试图平衡模拟和数字方法的优势。

大数据和机器学习应用的快速增长推动了CIM的兴起。传统 CPU 以内存访问能量（蓝条）为主，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。这些最初的尝试有重大局限性。这种低效率正在成为下一代人工智能系统的严重限制。我们还将探讨为什么这种新方法可以改变人工智能计算。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。随着神经网络增长到数十亿个参数，限制了其在大型AI处理器中的可扩展性。

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。各种 CIM 架构都实现了性能改进，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，

图 2.基于SRAM的内存计算的完整框架，

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。应用需求也不同。它也非常适合矩阵-向量乘法运算。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，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。解决了人工智能计算中的关键挑战。这是神经网络的基础。该技术正在迅速发展，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，时间控制系统和冗余参考列。这些电路创新实现了一系列功能（图 2b）。它们将计算功能直接嵌入到内存阵列中。在电路级别（图2a），