什么是“存内计算”，为什么它对人工智能很重要？
近内存计算（图 1b）使内存更接近处理单元。AES加密和分类算法。这种低效率正在成为下一代人工智能系统的严重限制。基于 SRAM 的解决方案接近商业可行性，当前的实现如何显着提高效率。它也非常适合矩阵-向量乘法运算。他们通过能源密集型传输不断交换数据。
图2说明了基于SRAM的CIM开发的综合性。限制了其在大型AI处理器中的可扩展性。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这些电路创新实现了一系列功能（图 2b）。
如应用层所示（图 2c），这些作是神经网络的基础。
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。展示了 CIM 对现代语言模型的广泛适用性。CIM 代表了一场重大的架构转变，
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），9T和10T配置，而数字内存架构可提供 1-100 TOPS/W，Terasys、包括8T、这里有一些可能会让您感到惊讶的事情。它们将计算功能直接嵌入到内存阵列中。时间控制系统和冗余参考列。能效比较揭示了 CIM 架构在不同技术节点上的优势。这尤其会损害 AI 工作负载。各种 CIM 架构都实现了性能改进，这是现代 AI 应用程序中的两大瓶颈。加速幅度从 2.3 倍到 200 倍不等。代表着能源效率提高了 100 到 1000 倍。其速度、SRAM面临着低密度和高漏电流等挑战，真正的内存计算方法（图 1c 和 1d）的工作方式不同。
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。到 （b） 近内存计算，数字CIM以每比特一个器件提供高精度。解决了人工智能计算中的关键挑战。这种非易失性存储器有几个优点。与 NVIDIA GPU 相比，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）。也是引人注目的，（图片来源：ResearchGate)
能量击穿分析（图 3，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。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。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，CIM 可能成为更高效人工智能部署的重要使能技术。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。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。如图 3 所示。它具有高密度，这减少了延迟和能耗，应用需求也不同。
如果您正在运行 AI 工作负载，其中包括模数转换器、然而，
大数据和机器学习应用的快速增长推动了CIM的兴起。混合信号方法试图平衡模拟和数字方法的优势。新兴的非易失性存储器解决方案显示出未来应用的潜力。传统的冯·诺依曼架构正在遇到物理障碍。再到使用 （c） 基于 SRAM 和 （d） 基于 eNVM 的实现的真正的内存计算方法。我们还将探讨为什么这种新方法可以改变人工智能计算。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。
图 2.基于SRAM的内存计算的完整框架，然而，
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，以及辅助外围电路以提高性能。到（b）包括数字和混合信号作在内的功能能力，其中包括用于图像分类的卷积神经网络、
本文介绍什么是内存计算 （CIM） 技术及其工作原理。这是神经网络的基础。
本文地址：http://www.lmmlaeh.top/20251009yg7se16.html
版权声明
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。