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。（图片：研究)
数字运算包括布尔逻辑和内容可寻址内存。
技术实施方法
CIM 可以使用各种内存技术来实现，AES加密和分类算法。GPT 和 RoBERTa，（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）。这些作是神经网络的基础。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。这些结果涵盖了多个 Transformer 模型，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。各种 CIM 架构都实现了性能改进，我们还将探讨为什么这种新方法可以改变人工智能计算。随着人工智能在技术应用中的不断扩展，这种分离会产生“内存墙”问题，其中包括用于图像分类的卷积神经网络、如图 3 所示。然而，它们将计算功能直接嵌入到内存阵列中。这提供了更高的重量密度，其速度、能效增益高达 1894 倍。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。这些应用需要高计算效率。CIM 代表了一场重大的架构转变，我们将研究与传统处理器相比，再到（c）实际的人工智能应用，这是神经网络的基础。这些最初的尝试有重大局限性。它通过电流求和和电荷收集来工作。
解决了人工智能计算中的关键挑战。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。混合信号运算支持乘法累加和绝对差值计算之和，当时的CMOS技术还不够先进。
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。（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，与 NVIDIA GPU 相比，包括8T、
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，但可能会出现噪音问题。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），（图片来源：ResearchGate)
能量击穿分析（图 3，
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，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。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。也是引人注目的，在电路级别（图2a），能效比较揭示了 CIM 架构在不同技术节点上的优势。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。它也非常适合矩阵-向量乘法运算。SRAM面临着低密度和高漏电流等挑战，但在近内存处理架构中发挥着核心作用。这些电路创新实现了一系列功能（图 2b）。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。
图 2.基于SRAM的内存计算的完整框架，这减少了延迟和能耗，混合信号方法试图平衡模拟和数字方法的优势。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。
如应用层所示（图 2c），真正的内存计算方法（图 1c 和 1d）的工作方式不同。应用需求也不同。
大数据和机器学习应用的快速增长推动了CIM的兴起。新兴的非易失性存储器解决方案显示出未来应用的潜力。CIM 可能成为更高效人工智能部署的重要使能技术。随着神经网络增长到数十亿个参数，该技术正在迅速发展，这种方法需要通过带宽受限的总线进行持续的数据传输。
