如果您正在運(yùn)行 AI 工作負(fù)載，這里有一些可能會(huì)讓您感到驚訝的事情。您的處理器在洗牌數(shù)據(jù)上浪費(fèi)的精力比實(shí)際進(jìn)行您關(guān)心的計(jì)算要多。這種低效率正在成為下一代人工智能系統(tǒng)的嚴(yán)重限制。隨著神經(jīng)網(wǎng)絡(luò)增長到數(shù)十億個(gè)參數(shù)，傳統(tǒng)的馮·諾依曼架構(gòu)正在遇到物理障礙。

本文介紹什么是內(nèi)存計(jì)算 （CIM） 技術(shù)及其工作原理。我們將研究與傳統(tǒng)處理器相比，當(dāng)前的實(shí)現(xiàn)如何顯著提高效率。我們還將探討為什么這種新方法可以改變人工智能計(jì)算。

傳統(tǒng)計(jì)算機(jī)的挑戰(zhàn)

傳統(tǒng)計(jì)算機(jī)將計(jì)算單元和內(nèi)存系統(tǒng)分開。他們通過能源密集型傳輸不斷交換數(shù)據(jù)。Terasys、IRAM 和 FlexRAM 等早期提案出現(xiàn)在 1990 年代。然而，這些最初的嘗試有重大局限性。當(dāng)時(shí)的CMOS技術(shù)還不夠先進(jìn)。應(yīng)用需求也不同。

傳統(tǒng)的馮·諾依曼架構(gòu)（圖1a）在中央處理器和存儲(chǔ)器之間保持了嚴(yán)格的分離。這種方法需要通過帶寬受限的總線進(jìn)行持續(xù)的數(shù)據(jù)傳輸。這種分離會(huì)產(chǎn)生“內(nèi)存墻”問題，這尤其會(huì)損害 AI 工作負(fù)載。

圖 1.計(jì)算架構(gòu)從 （a） CPU 和內(nèi)存分離的傳統(tǒng)馮諾依曼，到 （b） 近內(nèi)存計(jì)算，再到使用 （c） 基于 SRAM 和 （d） 基于 eNVM 的實(shí)現(xiàn)的真正的內(nèi)存計(jì)算方法。（圖片來源：IEEE)

了解內(nèi)存計(jì)算

CIM，也稱為內(nèi)存處理，與幾十年來主導(dǎo)計(jì)算的傳統(tǒng)馮諾依曼架構(gòu)有很大不同。它直接在數(shù)據(jù)存儲(chǔ)位置內(nèi)或非?？拷鼣?shù)據(jù)存儲(chǔ)位置執(zhí)行計(jì)算。

近內(nèi)存計(jì)算（圖 1b）使內(nèi)存更接近處理單元。真正的內(nèi)存計(jì)算方法（圖 1c 和 1d）的工作方式不同。它們將計(jì)算能力直接嵌入到內(nèi)存陣列中。存儲(chǔ)和邏輯單元的這種集成減少了數(shù)據(jù)移動(dòng)。這減少了延遲和能耗，這是現(xiàn)代人工智能應(yīng)用中的兩大瓶頸。

大數(shù)據(jù)和機(jī)器學(xué)習(xí)應(yīng)用的快速增長推動(dòng)了CIM的興起。這些應(yīng)用需要很高的計(jì)算效率。

技術(shù)實(shí)施方法

CIM 可以使用各種內(nèi)存技術(shù)來實(shí)現(xiàn)，每種技術(shù)都為不同的 AI 工作負(fù)載提供獨(dú)特的優(yōu)勢。

靜態(tài)隨機(jī)存取存儲(chǔ)器 （SRAM） 已成為 CIM 實(shí)施最受歡迎的選擇。其速度、穩(wěn)健性以及與現(xiàn)有制造工藝的兼容性使其成為人工智能加速器的理想選擇。研究人員開發(fā)了改進(jìn)的SRAM比特單元結(jié)構(gòu)，包括8T、9T和10T配置，以及輔助外圍電路以提高性能。

圖2說明了基于SRAM的CIM開發(fā)的綜合性。該圖顯示了電路級創(chuàng)新如何實(shí)現(xiàn)復(fù)雜的計(jì)算功能和實(shí)際的人工智能應(yīng)用。在電路級別（圖2a），基于SRAM的CIM需要專門的比特單元結(jié)構(gòu)和外圍電路。其中包括模數(shù)轉(zhuǎn)換器、時(shí)間控制系統(tǒng)和冗余參考列。這些電路創(chuàng)新實(shí)現(xiàn)了一系列功能（圖 2b）。

圖 2.基于 SRAM 的內(nèi)存計(jì)算的完整框架顯示了從 （a） 使用比特單元結(jié)構(gòu)和外圍電路的電路級實(shí)現(xiàn)，到 （b） 包括數(shù)字和混合信號作在內(nèi)的功能能力，再到 （c） CNN、AES 加密和分類算法等實(shí)際 AI 應(yīng)用的進(jìn)展。（圖片：研究)

數(shù)字運(yùn)算包括布爾邏輯和內(nèi)容可尋址存儲(chǔ)器?；旌闲盘栠\(yùn)算支持乘法累加和絕對差計(jì)算之和，這是神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。

如應(yīng)用層所示（圖 2c），這些技術(shù)能力可轉(zhuǎn)化為加速的 AI 算法。其中包括用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)、用于安全應(yīng)用的 AES 加密以及用于模式識別的 k 最近鄰算法。然而，SRAM 面臨著低密度和高漏電流等挑戰(zhàn)，這限制了其在大型 AI 處理器中的可擴(kuò)展性。

動(dòng)態(tài)隨機(jī)存取存儲(chǔ)器 （DRAM） 雖然由于其刷新要求而在直接內(nèi)存計(jì)算中不太常見，但在近內(nèi)存處理架構(gòu)中發(fā)揮著核心作用。高帶寬內(nèi)存和混合內(nèi)存立方體等技術(shù)利用 3D 堆疊來減少計(jì)算和內(nèi)存之間的物理距離。

電阻式隨機(jī)存取存儲(chǔ)器（ReRAM）是CIM最有前景的新技術(shù)。這種非易失性存儲(chǔ)器有幾個(gè)優(yōu)點(diǎn)。它具有高密度，并且與后端制造工藝配合良好。它也非常適合矩陣-向量乘法運(yùn)算。這些作是神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。

CIM 實(shí)現(xiàn)的計(jì)算領(lǐng)域也各不相同。模擬CIM利用存儲(chǔ)單元的物理特性來執(zhí)行作。它通過電流求和和電荷收集來工作。這提供了更高的重量密度，但可能會(huì)出現(xiàn)噪音問題。數(shù)字CIM以每比特一個(gè)器件提供高精度?；旌闲盘柗椒ㄔ噲D平衡模擬和數(shù)字方法的優(yōu)勢。

AI 應(yīng)用的變革性優(yōu)勢

CIM 對 AI 的實(shí)際好處既可衡量又引人注目，如圖 3 所示。能效比較揭示了CIM架構(gòu)在不同技術(shù)節(jié)點(diǎn)上的優(yōu)勢。傳統(tǒng) CPU 僅實(shí)現(xiàn) 0.01-0.1 TOPS/W（每秒每瓦 tera 運(yùn)算），而數(shù)字內(nèi)存架構(gòu)可提供 1-100 TOPS/W，代表能效提高 100 到 1000 倍。硅光子學(xué)和光學(xué)系統(tǒng)等先進(jìn)的 CIM 方法進(jìn)一步提高了效率。

圖 3.不同處理器類型的技術(shù)節(jié)點(diǎn)能效比較（左）和能耗明細(xì)（右）。（圖片來源：ResearchGate)

能量擊穿分析（圖 3，右）揭示了 CIM 有效的原因。傳統(tǒng) CPU 以內(nèi)存訪問能量（藍(lán)條）為主，而 CIM 架構(gòu)通過直接在內(nèi)存中執(zhí)行計(jì)算來減少這一瓶頸。這一基本優(yōu)勢轉(zhuǎn)化為人工智能應(yīng)用程序中可衡量的性能改進(jìn)。

表 1 所示的最新實(shí)現(xiàn)證明了 CIM 對 Transformer 和 LLM 加速的實(shí)際影響。與 NVIDIA GPU 相比，各種 CIM 架構(gòu)都實(shí)現(xiàn)了性能改進(jìn)，加速幅度從 2.3 倍到 200 倍不等。能效增益高達(dá) 1894 倍。這些結(jié)果涵蓋了多個(gè) Transformer 模型，包括 BERT、GPT 和 RoBERTa，展示了 CIM 對現(xiàn)代語言模型的廣泛適用性。

表 1.比較用于 Transformer 和 LLM 基準(zhǔn)測試的各種 CIM 架構(gòu)，顯示在不同型號和內(nèi)存技術(shù)中比 NVIDIA GPU 具有顯著的加速和效率提升。（圖片來源：arXiv)

總結(jié)

隨著我們進(jìn)入后摩爾定律時(shí)代，CIM 代表了一場重大的架構(gòu)轉(zhuǎn)變，解決了人工智能計(jì)算中的關(guān)鍵挑戰(zhàn)。該技術(shù)正在迅速發(fā)展，基于 SRAM 的解決方案接近商業(yè)可行性，新興的非易失性存儲(chǔ)器解決方案顯示出未來應(yīng)用的潛力。隨著人工智能在技術(shù)應(yīng)用中的不斷擴(kuò)展，CIM 可能成為更高效人工智能部署的重要使能技術(shù)。