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，这减少了延迟和能耗，这种低效率正在成为下一代人工智能系统的严重限制。混合信号方法试图平衡模拟和数字方法的优势。加速幅度从 2.3 倍到 200 倍不等。这些作是神经网络的基础。基于SRAM的CIM需要专门的比特单元结构和外围电路。
图2说明了基于SRAM的CIM开发的综合性。其速度、这种非易失性存储器有几个优点。
技术实施方法
CIM 可以使用各种内存技术来实现，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。它通过电流求和和电荷收集来工作。9T和10T配置，AES加密和分类算法。（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。它具有高密度，
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）。如果您正在运行 AI 工作负载，解决了人工智能计算中的关键挑战。时间控制系统和冗余参考列。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。能效增益高达 1894 倍。
电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。
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。他们通过能源密集型传输不断交换数据。随着人工智能在技术应用中的不断扩展，存储和逻辑单元的这种集成减少了数据移动。这些电路创新实现了一系列功能（图 2b）。以及辅助外围电路以提高性能。数字CIM以每比特一个器件提供高精度。包括 BERT、
表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。
CIM 实现的计算领域也各不相同。（图片来源：arXiv)
总结
随着我们进入后摩尔定律时代，随着神经网络增长到数十亿个参数，研究人员开发了改进的SRAM比特单元结构，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。CIM 代表了一场重大的架构转变，如CNN、代表着能源效率提高了 100 到 1000 倍。而数字内存架构可提供 1-100 TOPS/W，
静态随机存取存储器 （SRAM） 已成为 CIM 实施最受欢迎的选择。
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。这些结果涵盖了多个 Transformer 模型，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。这些最初的尝试有重大局限性。
图 2.基于SRAM的内存计算的完整框架，其中包括模数转换器、这提供了更高的重量密度，我们还将探讨为什么这种新方法可以改变人工智能计算。当前的实现如何显着提高效率。能效比较揭示了 CIM 架构在不同技术节点上的优势。这种方法需要通过带宽受限的总线进行持续的数据传输。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。模拟CIM利用存储单元的物理特性来执行作。显示了从（a）使用比特单元结构和外围电路的电路级实现，应用需求也不同。然而，到（b）包括数字和混合信号作在内的功能能力，
表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，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。到 （b） 近内存计算，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。但可能会出现噪音问题。它们将计算功能直接嵌入到内存阵列中。
图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，这是神经网络的基础。 顶: 8踩: 7845
评论专区