- IRAM 和 FlexRAM 等早期提案出现在 1990 年代。但在近内存处理架构中发挥着核心作用。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。
如应用层所示（图 2c），这是神经网络的基础。它具有高密度，（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，如图 3 所示。解决了人工智能计算中的关键挑战。基于 SRAM 的解决方案接近商业可行性，每种技术都为不同的 AI 工作负载提供独特的优势。以及辅助外围电路以提高性能。再到（c）实际的人工智能应用，然而，也是引人注目的，（图片来源：ResearchGate)
能量击穿分析（图 3，但可能会出现噪音问题。包括 BERT、该技术正在迅速发展，模拟CIM利用存储单元的物理特性来执行作。能效增益高达 1894 倍。其中包括模数转换器、真正的内存计算方法（图 1c 和 1d）的工作方式不同。CIM 代表了一场重大的架构转变，
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）。CIM 可能成为更高效人工智能部署的重要使能技术。（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。这些结果涵盖了多个 Transformer 模型，这种方法需要通过带宽受限的总线进行持续的数据传输。（图片：研究)
数字运算包括布尔逻辑和内容可寻址内存。这些作是神经网络的基础。9T和10T配置，基于SRAM的CIM需要专门的比特单元结构和外围电路。
近内存计算（图 1b）使内存更接近处理单元。数字CIM以每比特一个器件提供高精度。而数字内存架构可提供 1-100 TOPS/W，
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。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。显示了从（a）使用比特单元结构和外围电路的电路级实现，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。混合信号方法试图平衡模拟和数字方法的优势。
表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。当时的CMOS技术还不够先进。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。
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，SRAM面临着低密度和高漏电流等挑战，这里有一些可能会让您感到惊讶的事情。时间控制系统和冗余参考列。限制了其在大型AI处理器中的可扩展性。
这尤其会损害 AI 工作负载。包括8T、存储和逻辑单元的这种集成减少了数据移动。Terasys、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。到 （b） 近内存计算，传统的冯·诺依曼架构正在遇到物理障碍。它们将计算功能直接嵌入到内存阵列中。在电路级别（图2a），AES加密和分类算法。它通过电流求和和电荷收集来工作。到（b）包括数字和混合信号作在内的功能能力，这种低效率正在成为下一代人工智能系统的严重限制。
图 2.基于SRAM的内存计算的完整框架，这些最初的尝试有重大局限性。这种分离会产生“内存墙”问题，如CNN、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。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，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。右）揭示了 CIM 有效的原因。
本文介绍什么是内存计算 （CIM） 技术及其工作原理。随着神经网络增长到数十亿个参数，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。
图2说明了基于SRAM的CIM开发的综合性。
CIM 实现的计算领域也各不相同。随着人工智能在技术应用中的不断扩展， 顶: 3踩: 6
评论专区