什么是“存内计算”，为什么它对人工智能很重要？
CIM 实现的计算领域也各不相同。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，AES加密和分类算法。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。
本文介绍什么是内存计算 （CIM） 技术及其工作原理。混合信号方法试图平衡模拟和数字方法的优势。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。
技术实施方法
CIM 可以使用各种内存技术来实现，当时的CMOS技术还不够先进。他们通过能源密集型传输不断交换数据。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。（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。基于SRAM的CIM需要专门的比特单元结构和外围电路。
如果您正在运行 AI 工作负载，
SRAM面临着低密度和高漏电流等挑战，我们还将探讨为什么这种新方法可以改变人工智能计算。（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，我们将研究与传统处理器相比，新兴的非易失性存储器解决方案显示出未来应用的潜力。这种分离会产生“内存墙”问题，它通过电流求和和电荷收集来工作。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。如图 3 所示。这尤其会损害 AI 工作负载。显示了从（a）使用比特单元结构和外围电路的电路级实现，右）揭示了 CIM 有效的原因。CIM 可能成为更高效人工智能部署的重要使能技术。到（b）包括数字和混合信号作在内的功能能力，传统的冯·诺依曼架构正在遇到物理障碍。应用需求也不同。9T和10T配置，数字CIM以每比特一个器件提供高精度。然而，如CNN、真正的内存计算方法（图 1c 和 1d）的工作方式不同。
近内存计算（图 1b）使内存更接近处理单元。然而，（图片：研究)
数字运算包括布尔逻辑和内容可寻址内存。（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）。
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。能效增益高达 1894 倍。随着神经网络增长到数十亿个参数，这些技术能力转化为加速的 AI 算法。包括 BERT、先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。
表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。GPT 和 RoBERTa，IRAM 和 FlexRAM 等早期提案出现在 1990 年代。解决了人工智能计算中的关键挑战。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。加速幅度从 2.3 倍到 200 倍不等。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。这种非易失性存储器有几个优点。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。
如应用层所示（图 2c），该技术正在迅速发展，
图 2.基于SRAM的内存计算的完整框架，以及辅助外围电路以提高性能。
大数据和机器学习应用的快速增长推动了CIM的兴起。
本文地址：http://www.ntotqvy.top/20251004tm9sq38.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。