生成式人工智能（AI）的广泛应用正彻底改变着计算资源的设计和部署方式。这种AI利用自然语言帮助用户理解非结构化数据，IBM的Nicole Saulnier认为，这是一项重大突破，有望使AI工具能够在各种任务中辅助人类专家。然而，面对这些大型语言模型（LLMs）的计算需求，挑战重重。
挑战与机遇
据斯坦福研究员Hugo Chen介绍，目前最知名的LLM之一，GPT-4，使用了惊人的1.76万亿个参数和120个网络层。根据加州大学圣塔芭芭拉分校的研究员T. Bhattacharya的说法，要将误差率减半可能需要500倍的计算资源。这样庞大的计算需求即使对于专用数据中心来说也是巨大的挑战，而对于边缘设备来说几乎是不可能的。
边缘计算涵盖了从电动汽车到远程传感器等各种设备。这些设备通常无法直接访问“云”资源，并且需要将功耗最小化。边缘应用通常涉及通常处于关闭状态的设备，等待语音命令、运动触发或其他传感器输入。
资源优化的探索
机器学习模型的资源需求主要是由于涉及的数据集规模庞大，但它们的实际计算通常是简单的。矩阵-向量乘法（MVM）占据了计算负载的多达90%。在传统的冯·诺伊曼体系结构中，数据在内存和计算单元之间的移动是一个主要瓶颈。而“内存中计算”（CIM）体系结构则试图直接在内存中对数据进行操作。
虽然CIM SRAM阵列已经面世，但新兴技术如RRAM承诺能够实现显著的功耗和面积节约。相比之下，SRAM不仅需要功耗来维持数据，而且占用相对较大的硅空间，每个单元需要六个晶体管。RRAM则是非易失性的，使用单个电阻器，可能由每个单元的单个晶体管支持。
生物大脑和效率
与生物大脑相比，数字逻辑虽然效率不高但极其准确。生物大脑具有极高的多功能性和低功耗，但无法与数字浮点计算的准确性匹敌。因此，CIM设计需要在效率、多功能性和准确性之间进行复杂的权衡。
在生物大脑中，树突对序列做出反应，而不是对单个电尖峰做出反应。只有特定的尖峰序列才会激发给定的树突。为了构建序列敏感电子设备，斯坦福大学研究小组在单个通道上方放置了 3 个铁电门。如果靠近源极的第一个栅极首先触发，它会产生一个反转层并允许电流流动。然后，第二个栅极延伸反型层，第三个栅极也是如此。然而，如果第二个门首先触发，则没有可用的少数载流子。它会产生深耗尽层，即使 1 号门和 3 号门稍后触发，也会阻塞通道。
工程师们从生物大脑中可以学到的一点是，生物系统与计算机存在许多不同之处。例如，生物系统没有时钟，突触会对来自相邻神经元的脉冲模式做出反应，但在其他情况下基本上是不活跃的。生物系统学习和实时响应，与机器学习技术不同，后者在更新时会“冻结”系统。
栅极 FeFET“树突”。资料来源：IEDM
在人工神经元设计方面，最简单的模型是漏电积分和放电（LIF）模型，但它不适用于需要考虑事件序列的应用。生物大脑中的树突对序列做出反应，为了构建对序列敏感的电子设备，斯坦福大学的研究人员开发了一种3门铁电场效应晶体管（FeFET）“树突”设计。
探索不确定性量化
在IEDM上展示的其他结果寻找更适合脉冲相关信号的器件。例如，加州大学圣塔芭芭拉分校的研究人员使用RRAM器件基于LIF架构，通过器件温度来编码“资格跟踪”值，从而实现了更好的网络学习效果。
RRAM 电导值的概率分布
在AI领域的讨论中，Anantha Sethuraman强调了过度拟合的问题，而贝叶斯网络能够量化其结果的不确定性，识别出超出其训练范围的数据。然而，数字实现的贝叶斯网络效率极低，而RRAM则能够利用其随机性，为贝叶斯网络提供可预测和重复的权重分布。
未来，CIM设计面临着多方面的挑战，包括多功能性、可扩展性和准确性。下一篇文章将更详细地讨论这些问题，并介绍最新的研究成果。
首个存内计算开发者社区-CSDN存内计算
全球首个存内计算社区创立，涵盖最丰富的存内计算内容，以存内计算技术为核心，绝无仅有存内技术开源内容，囊括云/边/端侧商业化应用解析以及新技术趋势洞察等， 邀请业内大咖定期举办线下存内workshop，实战演练体验前沿架构；从理论到实践，做为最佳窗口，存内计算让你触手可及。
