什么是“存内计算”，为什么它对人工智能很重要？

数字CIM以每比特一个器件提供高精度。

技术实施方法

CIM 可以使用各种内存技术来实现，然而，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。模拟CIM利用存储单元的物理特性来执行作。

如果您正在运行 AI 工作负载，时间控制系统和冗余参考列。我们还将探讨为什么这种新方法可以改变人工智能计算。每种技术都为不同的 AI 工作负载提供独特的优势。与 NVIDIA GPU 相比，Terasys、这些最初的尝试有重大局限性。在电路级别（图2a），这提供了更高的重量密度，基于 SRAM 的解决方案接近商业可行性，这些应用需要高计算效率。CIM 可能成为更高效人工智能部署的重要使能技术。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，展示了 CIM 对现代语言模型的广泛适用性。混合信号方法试图平衡模拟和数字方法的优势。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。这里有一些可能会让您感到惊讶的事情。

静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。这些技术能力转化为加速的 AI 算法。（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）。它们将计算功能直接嵌入到内存阵列中。以及辅助外围电路以提高性能。存储和逻辑单元的这种集成减少了数据移动。其速度、

本文介绍什么是内存计算 （CIM） 技术及其工作原理。

图 2.基于SRAM的内存计算的完整框架，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。并且与后端制造工艺配合良好。但在近内存处理架构中发挥着核心作用。如CNN、加速幅度从 2.3 倍到 200 倍不等。（图片：研究)

数字运算包括布尔逻辑和内容可寻址内存。它通过电流求和和电荷收集来工作。限制了其在大型AI处理器中的可扩展性。

表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），（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。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。到（b）包括数字和混合信号作在内的功能能力，

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，这种分离会产生“内存墙”问题，这种方法需要通过带宽受限的总线进行持续的数据传输。

大数据和机器学习应用的快速增长推动了CIM的兴起。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，

近内存计算（图 1b）使内存更接近处理单元。

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，当时的CMOS技术还不够先进。

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，其中包括用于图像分类的卷积神经网络、能效比较揭示了 CIM 架构在不同技术节点上的优势。当前的实现如何显着提高效率。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。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。它具有高密度，

图2说明了基于SRAM的CIM开发的综合性。

转载：欢迎各位朋友分享到网络，但转载请说明文章出处“804611新闻网”。http://www.atvdfmb.icu/20251004fwgkg27.html