背景

在處理數據密集型應用時，馮·諾伊曼架構面臨嚴重的性能和能量消耗問題，主要因為處理器和存儲器之間頻繁傳輸大量數據。 為應對這一挑戰，基于SRAM的存內計算技術被提出，通過將運算單元整合到內存中，實現即存即算的數據處理，徹底打破了馮·諾伊曼瓶頸。 馮·諾伊曼架構和馮·諾伊曼瓶頸如下圖：

SRAM 存內計算技術

存內計算技術是一種新興的存儲器技術，它將存儲單元和計算單元集成在同一個存儲器芯片中，從而實現數據在存儲和計算之間的直接傳輸，而不需要通過外部總線或處理器進行數據傳輸。這種技術可以大大提高數據處理的效率和能效，因此在人工智能、大數據處理等領域具有廣泛的應用前景。SRAM（靜態隨機存取存儲器）是一種常見的存內計算技術，它具有高速、低功耗、易擴展等優點，因此在存內計算領域得到了廣泛的應用。本文將對SRAM存內計算技術進行綜述，介紹其基本原理、技術實現、應用場景和未來發展方向。

知存科技的WTM2101量產芯片采用40nm制程，將神經網絡部署在芯片中，已經實現了滿足端側算力需求的語音識別等功能。即將量產的WTM8芯片，采用28nm制程，作為新一代存內AI計算視覺芯片，能夠實現圖像的AI超分、插幀、HDR識別和檢測這樣復雜的功能[8]，現有的一些研究也已經證明存算一體可以實現16bit、32bit的浮點計算，具備進入高算力芯片的能力。

SRAM存內計算技術的核心思想是將存儲單元和計算單元集成在一起，從而實現數據在存儲和計算之間的直接傳輸。這種技術可以大大提高數據處理的效率和能效，因為數據不需要通過外部總線或處理器進行傳輸，從而減少了數據傳輸的延遲和功耗。此外，SRAM存內計算技術還可以實現更高的能效比，因為存儲器和計算單元的集成可以減少電路的復雜性，從而降低功耗。

SRAM存內計算技術的實現方式有多種，其中最常見的是通過在傳統的SRAM存儲單元中集成計算邏輯來實現。這種實現方式可以在不增加額外的硬件開銷的情況下實現高性能的計算能力。另一種實現方式是通過在SRAM存儲器陣列中集成多個計算單元，從而實現更強大的計算能力。這種實現方式可以擴展到更大的規模，但需要更多的硬件資源。

SRAM存內計算技術的應用場景非常廣泛，包括人工智能、大數據處理、圖像處理、自然語言處理等領域。在人工智能領域，SRAM存內計算技術可以用于實現神經網絡的存儲和計算，從而提高神經網絡的性能和能效。在大數據處理領域，SRAM存內計算技術可以用于實現高效的數據處理和分析，從而提高數據處理的速度和精度。在圖像處理和自然語言處理領域，SRAM存內計算技術可以用于實現高效的特征提取和模型訓練，從而提高圖像和自然語言處理的性能和能效。

基于電壓域的 SRAM 存內計算技術

基于電壓域的SRAM存內計算技術是一種將計算和存儲單元結合在一起的技術，它利用SRAM存儲單元的電壓變化來實現計算功能。這種技術可以顯著提高處理速度，同時降低功耗和硬件成本。

在電壓域上實現的 SRAM 存內計算技術,通常先使用 DAC 單元將數字量先轉化為線性的電壓值,然后利用電荷共享的方式實現計算,最后再用ADC 單元將模擬的計算結果轉換為相應的數字信號.通過將數據量轉換成電壓值的方式實現多位算法,簡單易行,也是當下存內計算的最主要實現形式.如果按計算模塊和存儲模塊之間的距離劃分。

位串性技術的8TSRAM 通用近內存計算

基于位串性技術的 8TSRAM 通用近內存計算。Wang 等人提出了一種混合近內存計算陣列,可用于需要高能效、高靈活性和高可編程性的般用途的應用。架構如下圖：

在傳統的處理器中，數據需要在存儲器和處理器之間不斷傳輸，這不僅增加了數據傳輸的延遲，還增加了功耗。而基于電壓域的SRAM存內計算技術可以將存儲單元和計算單元集成在一起，實現數據在存儲和計算之間的直接傳輸，從而避免了數據傳輸的延遲和功耗。

基于電壓域的SRAM存內計算技術的實現方式是利用SRAM存儲單元的電壓變化來模擬邏輯門的輸入和輸出。通過對SRAM存儲單元的電壓進行讀取、轉換和寫入操作，可以實現各種邏輯運算，從而完成計算任務。這種技術可以實現在單個SRAM存儲單元中完成多個邏輯運算，提高了計算速度和能效。

脈沖寬度調制8T-RAM 存內計算

基于脈沖寬度調制的8T-RAM 存內計算.Yang 等人設計了一款基于 8TSRAM 三明治 RAM 設備,能夠實現特征值8bit,權重 lbit 的BWN 網絡,如圖7所示,該方案將特征值和權重值的存儲單元分別存儲在脈沖寬度調制單元PWMU附近,在計算模式下,兩位輸入會經2-4譯碼器置換成4種電壓水平,用于調整脈沖寬度,權重作用在選擇器上,如果權重為1,脈沖寬度會對應擴展,反之則縮短,最終經脈沖量化器量化得到最終結果,該設計通過特制的 PWMU 實現了時間域的乘加計算,能耗效率可達到 119.7 TOPS/W,但是 8TSRAM 和 PWMU 單元都會造成大面積開銷.同時:模擬域的 SRAM 存內計算對 PVT 以及版圖走線比較敏感,相應的計算精度、量化誤差問題仍需進步優化改進

架構如下圖：

基于電壓域的SRAM技術缺點

基于電壓域的SRAM技術存在以下缺點：

電壓窗口受限：SRAM存儲單元的電壓變化范圍有限，這限制了可實現的功能和計算精度。

高精度電壓控制：需要高精度的電壓源和電壓調節電路，增加了硬件復雜性和成本。 溫度、工藝和時間影響：SRAM存儲單元的電壓變化會受到溫度、工藝和時間的影響，這會影響技術的穩定性。

可擴展性挑戰：隨著存儲器規模的擴大，電路的復雜性和功耗都會顯著增加。

集成度和能耗：SRAM的基本單元電路較復雜，集成度較低，且運行功耗較大。

成本高：每個存儲單元需要更多的晶體管，使得SRAM的成本較高。

基于電壓域的SRAM技術的優點

基于電壓域的SRAM技術具有以下優點：

高性能：SRAM作為讀寫速度最快的內存介質，具備高能效比的計算優勢，適用于需要高速處理的應用場景，如自動駕駛、無人機等對計算準確性和反應速度要求高的場景。

可擴展性強：SRAM可向先進制程兼容，從而達到更高的能效比和面效比，有助于實現更大規模的存內計算。

工藝成熟度高：SRAM的工藝成熟度較高，可以相對較快地實現技術落地與量產。

精度無損：SRAM在進行操作時不需要動態的刷新電路，讀寫延遲短，精度無損。

集成度高：SRAM具有集成度高，完全兼容數字邏輯電路工藝等優點。

低功耗：由于SRAM在進行操作時不需要動態的刷新電路，使其具有快速訪問、較低功耗等優點。

電壓域的SRAM技術的局限性

基于電壓域的SRAM技術雖然具有許多優點，但也存在一些局限性。

由于SRAM存儲單元的電壓變化范圍有限，因此基于電壓域的SRAM技術只能在有限的電壓范圍內實現邏輯運算，這限制了其可實現的功能和計算精度。

基于電壓域的SRAM技術需要精確控制存儲單元的電壓，這需要高精度的電壓源和電壓調節電路，增加了硬件復雜性和成本。

由于SRAM存儲單元的電壓變化會受到溫度、工藝和時間的影響，因此基于電壓域的SRAM技術的穩定性有待提高。

基于電壓域的SRAM技術的可擴展性也有挑戰。隨著存儲器規模的擴大，電路的復雜性和功耗都會顯著增加，因此需要解決如何在大規模存儲器中實現高效、低功耗的存內計算技術。 盡管存在這些局限性，基于電壓域的SRAM技術仍然是一種非常有前途的存內計算技術，可以應用于人工智能、物聯網、智能傳感器等領域。未來隨著技術的不斷發展和完善，相信這些局限性可以得到一定程度的解決。

應用領域

基于電壓域的SRAM存內計算技術的應用場景主要包括人工智能、物聯網、智能傳感器等領域。在人工智能領域，這種技術可以用于實現神經網絡的存儲和計算，從而提高神經網絡的性能和能效。在物聯網和智能傳感器領域，這種技術可以用于實現高效的數據處理、分析和傳輸，從而提高物聯網和智能傳感器的性能和能效。

基于電壓域的SRAM存內計算技術是一種非常有前途的技術，它可以提高數據處理的效率和能效，降低功耗和硬件成本。未來隨著技術的不斷發展和完善，這種技術有望在更多領域得到應用。

總結

這篇文章總結了馮·諾伊曼架構及其在處理數據密集型應用中所面臨的性能和能耗問題。為了應對這一挑戰，文章介紹了存內計算技術，其中重點討論了基于電壓域的SRAM存內計算技術。

在馮·諾伊曼架構中，存儲器和處理器之間頻繁傳輸大量數據，導致性能瓶頸。為解決這個問題，存內計算技術被提出，其核心思想是將計算單元整合到存儲器中，實現數據在存儲和計算之間的直接傳輸，從而提高數據處理效率和降低能耗。

特別關注了基于電壓域的SRAM存內計算技術，這一技術利用SRAM存儲單元的電壓變化來實現計算功能。通過將數字量轉化為電壓值，利用電荷共享的方式進行計算，最終將結果轉換為數字信號。這種技術在人工智能、大數據處理、圖像處理等領域有著廣泛的應用前景。

總體而言，基于電壓域的SRAM存內計算技術在改善馮·諾伊曼架構的性能和能耗方面具有潛在的優勢，為未來在各個領域的應用提供了創新的可能性。

參考文獻

微電子學與計算機-SRAM 存內計算技術綜述

審核編輯 黃宇