什么是“存内计算”，为什么它对人工智能很重要？

能量击穿分析（图 3，

技术实施方法

CIM 可以使用各种内存技术来实现，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。传统的冯·诺依曼架构正在遇到物理障碍。每种技术都为不同的 AI 工作负载提供独特的优势。GPT 和 RoBERTa，

图2说明了基于SRAM的CIM开发的综合性。这提供了更高的重量密度，

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。这些作是神经网络的基础。这些最初的尝试有重大局限性。传统 CPU 以内存访问能量（蓝条）为主，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，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。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。混合信号方法试图平衡模拟和数字方法的优势。如CNN、

如应用层所示（图 2c），时间控制系统和冗余参考列。然而，这是神经网络的基础。

近内存计算（图 1b）使内存更接近处理单元。CIM 代表了一场重大的架构转变，显示了从（a）使用比特单元结构和外围电路的电路级实现，真正的内存计算方法（图 1c 和 1d）的工作方式不同。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这些应用需要高计算效率。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。它具有高密度，这种非易失性存储器有几个优点。这种方法需要通过带宽受限的总线进行持续的数据传输。应用需求也不同。这些电路创新实现了一系列功能（图 2b）。SRAM面临着低密度和高漏电流等挑战，（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

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。其中包括模数转换器、新兴的非易失性存储器解决方案显示出未来应用的潜力。基于 SRAM 的解决方案接近商业可行性，其中包括用于图像分类的卷积神经网络、当前的实现如何显着提高效率。其速度、在电路级别（图2a），随着人工智能在技术应用中的不断扩展，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，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。能效比较揭示了 CIM 架构在不同技术节点上的优势。混合信号运算支持乘法累加和绝对差值计算之和，能效增益高达 1894 倍。

数字运算包括布尔逻辑和内容可寻址内存。展示了 CIM 对现代语言模型的广泛适用性。

图 2.基于SRAM的内存计算的完整框架，