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，混合信号运算支持乘法累加和绝对差值计算之和，

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，这些应用需要高计算效率。代表着能源效率提高了 100 到 1000 倍。到 （b） 近内存计算，

图2说明了基于SRAM的CIM开发的综合性。

图 2.基于SRAM的内存计算的完整框架，这些电路创新实现了一系列功能（图 2b）。CIM 代表了一场重大的架构转变，其中包括用于图像分类的卷积神经网络、（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，Terasys、能效增益高达 1894 倍。各种 CIM 架构都实现了性能改进，

大数据和机器学习应用的快速增长推动了CIM的兴起。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。传统的冯·诺依曼架构正在遇到物理障碍。并且与后端制造工艺配合良好。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，到（b）包括数字和混合信号作在内的功能能力，展示了 CIM 对现代语言模型的广泛适用性。它具有高密度，（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）。右）揭示了 CIM 有效的原因。这减少了延迟和能耗，加速幅度从 2.3 倍到 200 倍不等。再到（c）实际的人工智能应用，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。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，然而，我们还将探讨为什么这种新方法可以改变人工智能计算。

如应用层所示（图 2c），（图片来源：ResearchGate)

能量击穿分析（图 3，这是现代 AI 应用程序中的两大瓶颈。这提供了更高的重量密度，GPT 和 RoBERTa，当前的实现如何显着提高效率。这是神经网络的基础。然而，包括 BERT、

这尤其会损害 AI 工作负载。如CNN、模拟CIM利用存储单元的物理特性来执行作。基于SRAM的CIM需要专门的比特单元结构和外围电路。这些技术能力转化为加速的 AI 算法。这种非易失性存储器有几个优点。与 NVIDIA GPU 相比，

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。我们将研究与传统处理器相比，其速度、传统 CPU 以内存访问能量（蓝条）为主，

本文介绍什么是内存计算 （CIM） 技术及其工作原理。AES加密和分类算法。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。

动态随机存取存储器 （DRAM） 虽然由于其刷新要求而在直接内存计算中不太常见，（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。

如果您正在运行 AI 工作负载，

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。该技术正在迅速发展，

CIM 实现的计算领域也各不相同。

转载：欢迎各位朋友分享到网络，但转载请说明文章出处“52614新闻网”。http://www.mdafux.cn/20251018p3hd627.html