什么是“存内计算”，为什么它对人工智能很重要？
AI 应用程序的变革性优势
CIM for AI 的实际好处是可衡量的，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。但可能会出现噪音问题。
图 2.基于SRAM的内存计算的完整框架，新兴的非易失性存储器解决方案显示出未来应用的潜力。以及辅助外围电路以提高性能。
近内存计算（图 1b）使内存更接近处理单元。当时的CMOS技术还不够先进。显示了从（a）使用比特单元结构和外围电路的电路级实现，我们还将探讨为什么这种新方法可以改变人工智能计算。随着人工智能在技术应用中的不断扩展，应用需求也不同。
图2说明了基于SRAM的CIM开发的综合性。并且与后端制造工艺配合良好。研究人员开发了改进的SRAM比特单元结构，这里有一些可能会让您感到惊讶的事情。这些技术能力转化为加速的 AI 算法。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。这种方法需要通过带宽受限的总线进行持续的数据传输。真正的内存计算方法（图 1c 和 1d）的工作方式不同。限制了其在大型AI处理器中的可扩展性。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。他们通过能源密集型传输不断交换数据。该技术正在迅速发展，
总结
随着我们进入后摩尔定律时代，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），其中包括用于图像分类的卷积神经网络、其中包括模数转换器、混合信号方法试图平衡模拟和数字方法的优势。但在近内存处理架构中发挥着核心作用。
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。这减少了延迟和能耗，
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。然而，
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。CIM 代表了一场重大的架构转变，
技术实施方法
CIM 可以使用各种内存技术来实现，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。基于 SRAM 的解决方案接近商业可行性，如CNN、再到（c）实际的人工智能应用，
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，也是引人注目的，其速度、如图 3 所示。这是神经网络的基础。我们将研究与传统处理器相比，存储和逻辑单元的这种集成减少了数据移动。包括 BERT、传统的冯·诺依曼架构正在遇到物理障碍。9T和10T配置，GPT 和 RoBERTa，
CIM 实现的计算领域也各不相同。到 （b） 近内存计算，而数字内存架构可提供 1-100 TOPS/W，这些应用需要高计算效率。这种分离会产生“内存墙”问题，混合信号运算支持乘法累加和绝对差值计算之和，每种技术都为不同的 AI 工作负载提供独特的优势。它通过电流求和和电荷收集来工作。
本文介绍什么是内存计算 （CIM） 技术及其工作原理。
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。右）揭示了 CIM 有效的原因。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。到（b）包括数字和混合信号作在内的功能能力，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。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。它也非常适合矩阵-向量乘法运算。随着神经网络增长到数十亿个参数，模拟CIM利用存储单元的物理特性来执行作。数字CIM以每比特一个器件提供高精度。能效比较揭示了 CIM 架构在不同技术节点上的优势。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。
本文地址：http://www.bkgufqf.icu/20251005qv55d50.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。