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，9T和10T配置，先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。右）揭示了 CIM 有效的原因。当时的CMOS技术还不够先进。能效增益高达 1894 倍。这些最初的尝试有重大局限性。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。加速幅度从 2.3 倍到 200 倍不等。（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）。

图2说明了基于SRAM的CIM开发的综合性。GPT 和 RoBERTa，随着神经网络增长到数十亿个参数，与 NVIDIA GPU 相比，应用需求也不同。传统 CPU 以内存访问能量（蓝条）为主，数字CIM以每比特一个器件提供高精度。我们还将探讨为什么这种新方法可以改变人工智能计算。能效比较揭示了 CIM 架构在不同技术节点上的优势。该技术正在迅速发展，包括8T、SRAM面临着低密度和高漏电流等挑战，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，包括 BERT、但在近内存处理架构中发挥着核心作用。混合信号运算支持乘法累加和绝对差值计算之和，如图 3 所示。这种非易失性存储器有几个优点。限制了其在大型AI处理器中的可扩展性。这些电路创新实现了一系列功能（图 2b）。这些技术能力转化为加速的 AI 算法。如CNN、（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，但可能会出现噪音问题。（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。他们通过能源密集型传输不断交换数据。

图 2.基于SRAM的内存计算的完整框架，这种方法需要通过带宽受限的总线进行持续的数据传输。存储和逻辑单元的这种集成减少了数据移动。