مدار ممریستور کم مصرف، انعطاف‌پذیر برای تلفن همراه و فن‌آوری پوشیدنی
با استفاده از یکممریستور، یک مدار حافظه غیرفرار بهینه در مصرف توسعه داده شده است. این فن‌آوری را می‌توان به عنوان یک معماری با انرژی کارآمد در سیستم‌های الکترونیکی انعطاف پذیر با باتری مانند تلفن همراه و دستگاه‌های پوشیدنی استفاده کرد.مدار حافظه غیرفرار ممریستوری طراحی شده است تا همزمان بتواند داده‌ها را ذخیره و عملیات منطقی را انجام دهد. بنابراین دستگاه می‌تواند انرژی مصرفی و تاخیر زمان را به حداقل برساند، زیرا به انتقال داده بین حافظه و پردازنده نیازی ندارد.
روش محاسبات موازی ارائه شده با استفاده از یک مدار حافظه غیر فرار، یک پلت فرم مدار کم مصرف برای سیستم‌های الکترونیکی انعطاف پذیر با باتری ارائه داده است.با این معماری، یکپارچه سازیممریستور و دستگاه انتخاب‌کننده می‌توانند انعطاف پذیری، توان کم و حافظه با توابع منطقی را فراهم کنند. این فن آوری اصلی است که نوآوری را در تلفن همراه و سیستم‌های پوشیدنی به ارمغان خواهد آورد. برای مطالعه بیشتر به اینجا مراجعه کنید.
کامپیوترها یاد می‌گیرند که یاد بگیرند
سه تراشه نئومورفیک قادر به تقلید جنبه‌های مهم مغزهای بیولوژیک هستند که شامل انرژی کارآمد، انعطاف پذیری و قدرت یادگیری هستند. اینتل و محققان هیدلبرگ و درسدن، نمونه‌های سخت افزاری تراشه‌های BrainScaleS، SpiNNaker و Loihi را ارائه خواهند داد و امیدوارند که تاثیرات عمده‌ای بر آینده ی AI داشته باشند.
BrainScaleS یک طراحی مختلط آنالوگ و دیجیتال است از ۱۰۰۰ تا ۱۰،۰۰۰ بار سریعتر از زمان واقعی کار می‌کند.محققان ادعا کرده اند که تراشه BrainScaleSدارای توابع یادگیری در فواصل آزاد قابل برنامه ریزی است و همچنین یک مدل سخت افزاری آنالوگ از نورون‌های پیچیده با درختان دندریتی فعال است که برای تکثیر فرآیند مداوم یادگیری بسیار ارزشمند هستند. تراشه جدید SpiNNaker مبتنی بر معماری ARM است؛ که برای ارائه محاسبات قدرت ۳۶ میلیارد دستورالعمل در ثانیه، در هر وات طراحی شده است. تراشه تحقیقاتی Loihi شامل یک ساختار فرماندهی توسعه یافته برای شبکه‌های عصبی از نورون‌های “شلیک” و همچنین قوانین یادگیری برنامه ریزی شده توسط کد میکرو است. برای مطالعه بیشتر در مورد تراشه‌ها به اینجا مراجعه کنید.
