طبق گزارش MIT News، پکن در روز بعد از ظهر روز 28 فوریه گزارش داد که محققان MIT یک چیپ با کارایی بالا را توسعه داده اند که می تواند برای محاسبات شبکه عصبی استفاده شود. تراشه می تواند تا 7 برابر سرعت پردازنده های دیگر پردازش کند، در حالیکه نیاز به انرژی 94-95٪ کمتر از تراشه های دیگر دارد و در آینده این تراشه ها احتمالا در دستگاه های تلفن همراه با استفاده از شبکه های عصبی یا اینترنت چیزهای تجهیزات
Avishek Biswas، دانشجوی کارشناسی ارشد مهندسی برق و علوم کامپیوتری در MIT، رهبر این پروژه، گفت: "حالت پردازشگر عمومی چنین است که برخی از تراشه ها بخشی از حافظه قرار داده شده است، به عنوان محاسبات، داده ها به عقب و جلو در این خاطرات حرکت می کنند. از آنجا که الگوریتم های یادگیری ماشین نیاز زیادی به تلاش محاسباتی دارند، هنگام انتقال اطلاعات به عقب و جلو، انرژی زیادی مصرف می کنند، اما در واقع این الگوریتم ها محاسبات انجام شده را می توان به یک عملیات خاص به نام یک محصول نقطه ای کاهش داد. ایده ما این است که آیا می توانیم این تابع محصول را در حافظه بکار ببریم و نیاز به حرکت مداوم را از بین ببریم این داده ها
تراشه ورودی گره را به یک ولتاژ تبدیل می کند و سپس برای ذخیره سازی و پردازش بیشتر به شکل دیجیتال تبدیل می شود. این روش به تراشه اجازه می دهد تا محصول نقطه 16 گره را در یک مرحله بدون نیاز به حرکت داده بین حافظه و پردازنده محاسبه کند. MIT News معتقد است که این رویکرد به کار در مغز انسان نزدیک تر است راه
Biswos در مورد چگونگی تراشه در یک مقاله که در طول کنفرانس Circuit Circuits بین المللی ارائه خواهد شد دقیق خواهد شد. همراه با نوشتن مقاله خود را استاد او، MIT مهندسی کالج دین Anantha Chandrakasan، و Vannevar بوش، استاد مهندسی برق و علوم رایانه در MIT.
دسامبر گذشته، مدیر عامل SensibleVision جورج بروستوف یک پست مهمان در بیومتریک منتشر کرد که توانایی پردازنده های سفارشی برای دستگاه های تلفن همراه را نشان داد از آن به بعد، FWDNXT همچنین اعلام کرده است که آنها پردازنده های کم قدرت را توسعه می دهند که از شبکه های عصبی عمیق برای تشخیص و دسته بندی عکس استفاده می کنند و علاوه بر این ARM همچنین اعلام کرده است که ابزار برای یادگیری ماشین و شناسایی شی چیپ
