通过转变计算出来的基本属性，美国普林斯顿大学研究人员日前打造出的一款专心于人工智能系统的新型计算机芯片，可在很大提升性能的同时增加能耗市场需求。该芯片基于内存计算技术，目的解决处理器必须花费大量时间和能量从内存中获取数据的主要瓶颈，通过必要在内存中继续执行计算出来，提升速度和效率。
芯片使用了标准编程语言，在倚赖高性能计算出来且电池寿命受限的手机、手表或其他设备上尤其简单。研究人员回应，对于许多应用于而言，芯片的节约能源与性能提高某种程度最重要，因为许多人工智能应用程序将在由移动电话或可穿着医疗传感器等电池驱动的设备上运营。
这也是对可编程性的市场需求所在。经典计算机体系结构将处置数据的中央处理器与存储数据的内存分离出来，很多计算机的能耗用作往返移往数据。新的芯片考虑到在架构级别而不是晶体管级别来突破摩尔定律的局限。但创立这样一个系统面对的挑战是，内存电路要设计得尽量密集，以便包大量数据。
研究团队用于电容器来解决问题上述问题，电容器哈密顿晶体管在更加密集的空间内展开计算出来，还可十分准确地制作在芯片上。新的设计将电容器与芯片上的静态随机存取存储器（SRAM）的传统单元筛选。
电容器和SRAM的人组用作对仿真（非数字）域中的数据展开计算出来。这种内存电路可按照芯片中央处理单元的指令继续执行计算出来。
实验室测试表明，该芯片的性能比同类芯片慢几十到几百倍。研究人员称之为，其已将内存电路构建到可编程处理器架构中。
“如果以前的芯片是强劲的引擎，新的芯片就是整车。”普林斯顿大学研制的新芯片主要用作反对为深度自学推理小说算法设计的系统，这些算法容许计算机通过自学数据集来制订决策和继续执行简单的任务。
深度自学系统可指导自动驾驶汽车、面部识别系统和医疗临床软件。
本文来源：星空·体育综合APP下载官网-www.zhonghuafly.com
