![]()
优发官方网站★✿ღ，新能源科技优发国际手机版唯一官网下载★✿ღ，优发娱乐官网首页入口★✿ღ，优发游戏app★✿ღ，能量储存★✿ღ，如果您正在运行 AI 工作负载★✿ღ，这里有一些可能会让您感到惊讶的事情★✿ღ。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★✿ღ。这种低效率正在成为下一代
本文介绍什么是内存计算 （CIM） 技术及其工作原理★✿ღ。我们将研究与传统处理器相比★✿ღ，当前的实现如何显着提高效率★✿ღ。我们还将探讨为什么这种新方法可以改变人工智能计算★✿ღ。
传统计算机将计算单元和内存系统分开★✿ღ。他们通过能源密集型传输不断交换数据★✿ღ。Terasys★✿ღ、IRAM 和 FlexRAM 等早期提案出现在 1990 年代★✿ღ。然而★✿ღ，这些最初的尝试有重大局限性★✿ღ。当时的CMOS技术还不够先进★✿ღ。应用需求也不同★✿ღ。
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★✿ღ。这种方法需要通过带宽受限的总线进行持续的数据传输★✿ღ。这种分离会产生“内存墙”问题★✿ღ，这尤其会损害 AI 工作负载★✿ღ。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼★✿ღ，到 （b） 近内存计算★✿ღ，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★✿ღ。（图片来源★✿ღ：IEEE)
CIM★✿ღ，也称为内存处理★✿ღ，与几十年来主导计算的传统冯诺依曼架构有很大不同★✿ღ。它直接在数据存储位置内或非常靠近数据存储位置执行计算★✿ღ。
近内存计算（图 1b）使内存更接近处理单元★✿ღ。真正的内存计算方法（图 1c 和 1d）的工作方式不同★✿ღ。它们将计算能力直接嵌入到内存阵列中★✿ღ。存储和逻辑单元的这种集成减少了数据移动★✿ღ。这减少了延迟和能耗★✿ღ，这是现代人工智能应用中的两大瓶颈优发国际官方app下载★✿ღ。
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择青年大学习第八季第三期答案★✿ღ。其速度★✿ღ、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★✿ღ。研究人员开发了改进的SRAM比特单元结构★✿ღ，包括8T★✿ღ、9T和10T配置★✿ღ，以及辅助外围电路以提高性能★✿ღ。
图2说明了基于SRAM的CIM开发的综合性★✿ღ。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★✿ღ。在电路级别（图2a）★✿ღ，基于SRAM的CIM需要专门的比特单元结构和外围电路青年大学习第八季第三期答案★✿ღ。其中包括模数转换器青年大学习第八季第三期答案★✿ღ、时间控制系统和冗余参考列★✿ღ。这些电路创新实现了一系列功能（图 2b）★✿ღ。
图 2.基于 SRAM 的内存计算的完整框架显示了从 （a） 使用比特单元结构和外围电路的电路级实现★✿ღ，到 （b） 包括数字和混合信号作在内的功能能力优发国际官方app下载★✿ღ，再到 （c） CNN★✿ღ、AES 加密和分类算法等实际 AI 应用的进展★✿ღ。（图片★✿ღ：研究)
数字运算包括布尔逻辑和内容可寻址存储器★✿ღ。混合信号运算支持乘法累加和绝对差计算之和优发国际官方app下载★✿ღ，这是神经网络的基础★✿ღ。
如应用层所示（图 2c）★✿ღ，这些技术能力可转化为加速的 AI 算法优发国际官方app下载★✿ღ。其中包括用于图像分类的卷积神经网络★✿ღ、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★✿ღ。然而★✿ღ，SRAM 面临着低密度和高漏电流等挑战★✿ღ，这限制了其在大型 AI 处理器中的可扩展性★✿ღ。
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★✿ღ，但在近内存处理架构中发挥着核心作用★✿ღ。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青年大学习第八季第三期答案★✿ღ。
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术★✿ღ。这种非易失性存储器有几个优点★✿ღ。它具有高密度★✿ღ，并且与后端制造工艺配合良好★✿ღ。它也非常适合矩阵-向量乘法运算★✿ღ。这些作是神经网络的基础★✿ღ。
CIM 实现的计算领域也各不相同★✿ღ。模拟CIM利用存储单元的物理特性来执行作★✿ღ。它通过电流求和和电荷收集来工作优发国际官方app下载★✿ღ。这提供了更高的重量密度★✿ღ，但可能会出现噪音问题★✿ღ。数字CIM以每比特一个器件提供高精度★✿ღ。混合信号方法试图平衡模拟和数字方法的优势★✿ღ。
CIM 对 AI 的实际好处既可衡量又引人注目青年大学习第八季第三期答案★✿ღ，如图 3 所示★✿ღ。能效比较揭示了CIM架构在不同技术节点上的优势★✿ღ。传统 CPU 仅实现 0.01-0.1 TOPS/W（每秒每瓦 tera 运算）★✿ღ，而数字内存架构可提供 1-100 TOPS/W★✿ღ，代表能效提高 100 到 1000 倍★✿ღ。硅光子学和光学系统等先进的 CIM 方法进一步提高了效率★✿ღ。
能量击穿分析（图 3★✿ღ，右）揭示了 CIM 有效的原因★✿ღ。传统 CPU 以内存访问能量（蓝条）为主★✿ღ，而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈★✿ღ。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★✿ღ。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构★✿ღ，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★✿ღ。（图片来源★✿ღ：arXiv)
随着我们进入后摩尔定律时代★✿ღ，CIM 代表了一场重大的架构转变★✿ღ，解决了人工智能计算中的关键挑战青年大学习第八季第三期答案★✿ღ。该技术正在迅速发展★✿ღ，基于 SRAM 的解决方案接近商业可行性★✿ღ，新兴的非易失性存储器解决方案显示出未来应用的潜力★✿ღ。随着人工智能在技术应用中的不断扩展★✿ღ，CIM 可能成为更高效人工智能部署的重要使能技术★✿ღ。