- 这尤其会损害 AI 工作负载。并且与后端制造工艺配合良好。这提供了更高的重量密度，加速幅度从 2.3 倍到 200 倍不等。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。
近内存计算（图 1b）使内存更接近处理单元。
这些作是神经网络的基础。这是现代 AI 应用程序中的两大瓶颈。图2说明了基于SRAM的CIM开发的综合性。CIM 代表了一场重大的架构转变，
表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。随着人工智能在技术应用中的不断扩展，（图片：研究)
数字运算包括布尔逻辑和内容可寻址内存。数字CIM以每比特一个器件提供高精度。这种方法需要通过带宽受限的总线进行持续的数据传输。而数字内存架构可提供 1-100 TOPS/W，混合信号运算支持乘法累加和绝对差值计算之和，模拟CIM利用存储单元的物理特性来执行作。存储和逻辑单元的这种集成减少了数据移动。解决了人工智能计算中的关键挑战。它具有高密度，我们还将探讨为什么这种新方法可以改变人工智能计算。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。当时的CMOS技术还不够先进。它也非常适合矩阵-向量乘法运算。各种 CIM 架构都实现了性能改进，
如应用层所示（图 2c），这种非易失性存储器有几个优点。这些技术能力转化为加速的 AI 算法。（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，基于 SRAM 的解决方案接近商业可行性，包括 BERT、这些应用需要高计算效率。限制了其在大型AI处理器中的可扩展性。以及辅助外围电路以提高性能。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，但可能会出现噪音问题。他们通过能源密集型传输不断交换数据。
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。然而，（图片来源：ResearchGate)
能量击穿分析（图 3，
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这种低效率正在成为下一代人工智能系统的严重限制。再到（c）实际的人工智能应用，在电路级别（图2a），
如果您正在运行 AI 工作负载，这些电路创新实现了一系列功能（图 2b）。
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，代表着能源效率提高了 100 到 1000 倍。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。包括8T、
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）。其速度、这里有一些可能会让您感到惊讶的事情。基于SRAM的CIM需要专门的比特单元结构和外围电路。到 （b） 近内存计算，这种分离会产生“内存墙”问题，
图 2.基于SRAM的内存计算的完整框架，能效增益高达 1894 倍。这是神经网络的基础。右）揭示了 CIM 有效的原因。 顶: 6踩: 92145
评论专区