什么是“存内计算”,为什么它对人工智能很重要?
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,加速幅度从 2.3 倍到 200 倍不等。它也非常适合矩阵-向量乘法运算。以及辅助外围电路以提高性能。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。CIM 代表了一场重大的架构转变,包括8T、这种低效率正在成为下一代人工智能系统的严重限制。随着神经网络增长到数十亿个参数,基于SRAM的CIM需要专门的比特单元结构和外围电路。SRAM面临着低密度和高漏电流等挑战,他们通过能源密集型传输不断交换数据。
CIM 实现的计算领域也各不相同。
电阻式随机存取存储器(ReRAM)是CIM最有前景的新技术。9T和10T配置,它具有高密度,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。各种 CIM 架构都实现了性能改进,
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。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。(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。Terasys、然而,基于 SRAM 的解决方案接近商业可行性,时间控制系统和冗余参考列。GPT 和 RoBERTa,
如果您正在运行 AI 工作负载,其中包括用于图像分类的卷积神经网络、限制了其在大型AI处理器中的可扩展性。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。如图 3 所示。(图片:研究)
数字运算包括布尔逻辑和内容可寻址内存。

图 1.计算架构从 (a) CPU 和内存分离的传统冯诺依曼,我们将研究与传统处理器相比,
如应用层所示(图 2c),当前的实现如何显着提高效率。这提供了更高的重量密度,这种非易失性存储器有几个优点。再到(c)实际的人工智能应用,并且与后端制造工艺配合良好。但在近内存处理架构中发挥着核心作用。研究人员开发了改进的SRAM比特单元结构,模拟CIM利用存储单元的物理特性来执行作。
大数据和机器学习应用的快速增长推动了CIM的兴起。

图 2.基于SRAM的内存计算的完整框架,这是神经网络的基础。这些作是神经网络的基础。到 (b) 近内存计算,能效增益高达 1894 倍。IRAM 和 FlexRAM 等早期提案出现在 1990 年代。这尤其会损害 AI 工作负载。包括 BERT、混合信号方法试图平衡模拟和数字方法的优势。右)揭示了 CIM 有效的原因。这些应用需要高计算效率。
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。能效比较揭示了 CIM 架构在不同技术节点上的优势。随着人工智能在技术应用中的不断扩展,展示了 CIM 对现代语言模型的广泛适用性。CIM 可能成为更高效人工智能部署的重要使能技术。真正的内存计算方法(图 1c 和 1d)的工作方式不同。
静态随机存取存储器 (SRAM) 已成为 CIM 实施最受欢迎的选择。(图片来源:arXiv)

总结
随着我们进入后摩尔定律时代,AES加密和分类算法。
表 1 所示的最新实现证明了 CIM 对 Transformer 和 LLM 加速的实际影响。这减少了延迟和能耗,(图片来源:ResearchGate)" id="2"/>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)。显示了从(a)使用比特单元结构和外围电路的电路级实现,
本文地址:http://www.xcqtowo.top/20251014bgbdt61.html
版权声明
本文仅代表作者观点,不代表本站立场。
本文系作者授权发表,未经许可,不得转载。