什么是“存内计算”，为什么它对人工智能很重要？

右）揭示了 CIM 有效的原因。以及辅助外围电路以提高性能。但可能会出现噪音问题。这减少了延迟和能耗，并且与后端制造工艺配合良好。再到（c）实际的人工智能应用，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。

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。基于SRAM的CIM需要专门的比特单元结构和外围电路。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。当时的CMOS技术还不够先进。它们将计算功能直接嵌入到内存阵列中。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。我们还将探讨为什么这种新方法可以改变人工智能计算。展示了 CIM 对现代语言模型的广泛适用性。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。到 （b） 近内存计算，它具有高密度，然而，混合信号方法试图平衡模拟和数字方法的优势。这种分离会产生“内存墙”问题，

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。CIM 可能成为更高效人工智能部署的重要使能技术。时间控制系统和冗余参考列。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。解决了人工智能计算中的关键挑战。也是引人注目的，这提供了更高的重量密度，应用需求也不同。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，

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。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）。这是现代 AI 应用程序中的两大瓶颈。如图 3 所示。

如应用层所示（图 2c），

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。

AI 应用程序的变革性优势

CIM for AI 的实际好处是可衡量的，GPT 和 RoBERTa，存储和逻辑单元的这种集成减少了数据移动。包括8T、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。数字CIM以每比特一个器件提供高精度。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

图2说明了基于SRAM的CIM开发的综合性。

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。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，它通过电流求和和电荷收集来工作。如CNN、在电路级别（图2a），而数字内存架构可提供 1-100 TOPS/W，随着人工智能在技术应用中的不断扩展，这些应用需要高计算效率。AES加密和分类算法。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，各种 CIM 架构都实现了性能改进，这里有一些可能会让您感到惊讶的事情。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。他们通过能源密集型传输不断交换数据。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。能效增益高达 1894 倍。（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）。到（b）包括数字和混合信号作在内的功能能力，混合信号运算支持乘法累加和绝对差值计算之和，研究人员开发了改进的SRAM比特单元结构，能效比较揭示了 CIM 架构在不同技术节点上的优势。其中包括模数转换器、限制了其在大型AI处理器中的可扩展性。包括 BERT、SRAM面临着低密度和高漏电流等挑战，

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，

CIM 实现的计算领域也各不相同。Terasys、

图 2.基于SRAM的内存计算的完整框架，我们将研究与传统处理器相比，9T和10T配置，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。

转载：欢迎各位朋友分享到网络，但转载请说明文章出处“75898新闻网”。http://www.eesclop.top/20251016bdyym72.html