یک گیت ۱۱.۶ نانومتری سه طبقه‌ای با پشتیبانی از ترانزیستور ورودی گیت GaN
ترانزیستورهای GaN می‌توانند قدرت تغذیهAC-DC را کاهش دهند، اما برای رسیدن به بهترین شکل از آنها، شکل موج گیت نیز نیاز به توجه دقیق دارد. ترانزیستورهایGaN دارای ولتاژ آستانه تقریباً برابر ۱ ولتهستند که موجب آسیب پذیر شدن آنها میشود، تمایل منفی در گیت می‌تواند این را حل کند اما تمایل منفی در گیت در طول دوره خاموشی موجب افزایش ضرر هدایت معکوس میشود. بنابراین مدل سه سطحی – مثبت برای ‘روشن‘، منفی در طول لبه میلر، و صفر برای کاهش ضرر هدایت معکوس برای دوره “خاموش“- می‌تواند مناسب باشد.
یک تیم از دانشگاه راتلینگن و دانشگاه لایبنیتس هانوفر، از یک پل کامل ترانزیستورهای کم ولتاژ برای هدایت گیت از ۵ ولت به بالا استفاده می‌کند. ولتاژ بالاتر بدین معنی است که برای همان مصرف انرژی، خازن‌های مخزن می‌توانند به طور چشمگیری در مقایسه با خازن ۵ولتکاهش یابند. با تلفیق تمام خازن‌ها، شمارش پین و همچنین سیم‌های باند را در حلقه گیت کاهش می‌دهد و انعطاف پذیری بیشتری را برای ساختPCB و طراحی سیستم فراهم می‌کند. برای مطالعه بیشتر در مورد گیت ساخته شده به اینجا مراجعه کنید.
ارتقاء سخت افزار یادگیری عمیق برای AI
آموزش عمیق به سرعت در حال تکامل است، اما پیچیدگی محاسباتی شبکه‌های عصبی عمیق معمول، مانع از اجرای آنها در دستگاه‌های همراه و یا پوشیدنی با منابع محدود میشود.سال گذشته، چند راه حل ابتکاری برای افزایش و بهبود بهره وری انرژی، بیشتر در زمینه شبکه‌های عصبی پیچشی ارائه شد. اما در وضعیت فعلی با دو چالش مهم مواجه است: نیاز به بهبود بهره‌وری انرژی برای کاربردهای بسیار کم توان؛ و پیدا کردن راه حل برای اجرای کارآمد شبکه‌های غیر پیچشی کاملاً متصل. به منظور بهبود بهره‌وری انرژی، یک روند در راستای شبکه‌های با دقت کم وجود دارد، و شبکه‌های باینری به عنوان مورد فوق‌العاده – به تازگی، اولین شتاب دهنده شبکه عصبی باینری ظاهر شده است. در چنین شبکه‌هایی، تنگنا حافظه‌ها هستند و به همین ترتیب، راه‌حل‌های نوآورانه شامل ساخت یک ستون سه بعدی از پردازش و حافظه، و همچنین رابط‌های هوشمند حافظه در افزایش استفاده از داده‌ها هستند.برای مطالعه بیشتر به اینجا مراجعه کنید.
