XiaoMi-AI文件搜索系统
World File Search System内存
神经形态镶嵌：可重新计算内存...
由于其非易失性和多位属性，回忆录已被广泛用作神经形态体系结构中的突触重量元素。但是，它们用于定义和重新编程的用于网络连接性已被忽略。在这里，我们提出，实施和实验证明了Mosaic，Mosaic是基于一系列Memristor横杆的神经形态结构。第一次，我们不仅使用分布式的非易失性备忘录来计算，而且用于路由（即定义网络连接性）。马赛克特别适合实施可重新配置的小世界图形模型，具有密集的局部和稀疏的全局连接性 - 在大脑中广泛发现。我们在数学上表明，随着网络的扩大，马赛克所需的记忆比传统的备忘录方法更少。我们在马赛克上绘制一个尖峰的复发性神经网络，以求解心电图（ECG）异常检测任务。与基于微型控制器和基于地址的代表性处理器相比，在相应的一个和两个数量级降低能量需求的降低中，镶嵌的优势在相等的镶嵌物中的优势是相等或更好的。马赛克有望根据基于记忆和能量较少的图理论原理设计神经形态硬件的新方法。
面向未来移动混合的硬件内存管理...
摘要 — 当前移动应用的内存占用量快速增长，对内存系统设计构成巨大挑战。DRAM 主内存不足会导致内存和存储之间频繁的数据交换，这一过程会损害性能、消耗能量并降低典型闪存设备的写入耐久性。另一方面，更大的 DRAM 具有更高的漏电功率并会更快耗尽电池电量。此外，DRAM 的扩展趋势使得 DRAM 在移动领域的进一步增长因成本而变得难以承受。新兴的非易失性存储器 (NVM) 有可能缓解这些问题，因为它的单位成本容量高于 DRAM，并且静态功耗极低。最近，出现了各种 NVM 技术，包括相变存储器 (PCM)、忆阻器和 3-D XPoint。尽管有上述优势，但与 DRAM 相比，NVM 的访问延迟更长，并且 NVM 写入会产生更高的延迟和磨损成本。因此，将这些新内存技术集成到内存层次结构中需要从根本上重新构建传统系统设计。在本研究中，我们提出了一种硬件加速内存管理器 (HMMU)，它在平面地址空间中寻址，并将一小部分 DRAM 保留用于子页块级管理。我们在这个内存管理器中设计了一组数据放置和数据迁移策略，以便我们能够利用每种内存技术的优势。通过用这个 HMMU 增强系统，我们降低了整体内存延迟，同时还减少了对 NVM 的写入。实验结果表明，与未来可能难以维持的全 DRAM 基线相比，我们的设计实现了 39% 的能耗降低，而性能仅下降了 12%。
利用 CRAM 实现真正的内存计算
传统计算平台并未针对高效的数据传输进行优化，这使得在数据量呈指数增长的情况下进行大规模数据分析变得复杂。技术扩展不平衡进一步加剧了这种情况，因为数据通信而不是计算成为了关键的瓶颈 [5]。在这种情况下，硬件的专业化无济于事，除非以数据为中心。将计算能力紧密集成到内存中，即内存处理 (PIM)，尤其有前景，因为数据传输的开销在大规模情况下变得令人望而却步。PIM 拥有丰富的设计空间，涵盖成熟的处理器和驻留在内存中的协处理器 [6]。然而，在 3D 堆叠出现之前，最先进的逻辑和内存技术的不兼容性阻碍了实用的原型设计。尽管如此，3D 堆叠只能实现近内存处理，NMP [1]、[2]、[8]。主要的挑战仍然是在不违反阵列规律的情况下融合计算和内存。新兴的自旋电子技术在逻辑和存储器的紧密集成方面表现出非凡的多功能性。本次演讲介绍了一种高密度、可重构的自旋电子存储器计算基板——计算 RAM (CRAM) [10]。其基本思想是在不破坏阵列规律性的情况下，为基于磁隧道结 (MTJ) 的存储器单元 [7]、[12] 添加计算能力。因此，每个存储器单元都可以作为输入或输出参与门级计算。计算不会造成中断，即，作为门输入的存储器单元不会丢失其存储的值。这一思想同样适用于基于自旋力矩转移 (STT) 和自旋轨道力矩 (SOT) 的技术。CRAM 可以实现不同类型的基本布尔门以形成功能完整的集合，因此对计算类型没有根本限制。如果使用 SOT (STT) 实现，CRAM 阵列中的每一列（行）一次只能有一个活动门，但是，所有列（行）中的计算可以并行进行。CRAM 通过重新配置内存阵列中的单元来实现逻辑功能，从而提供真正的内存计算。由于阵列中的所有单元都是相同的，因此逻辑门的输入和输出不需要限制在阵列中的特定物理位置。换句话说，CRAM 可以根据需要在内存阵列中的任何位置启动计算。
Gofetch：使用数据内存依赖的预摘要
微构造的侧通道攻击动摇了现代处理器设计的基础。针对这些攻击的基石防御是为了确保关键安全计划不会使用秘密依赖数据作为地址。简单：不要将秘密作为地址传递给，例如数据存储器说明。然而，发现数据内存依赖性预定器（DMP）（DMP）（将程序数据直接从内存系统内部转换为地址）质疑该方法是否会继续保持安全。本文表明，DMP的安全威胁要比以前想象的要差得多，并使用Apple M-Series DMP证明了对关键安全软件的首次端到端攻击。对我们的攻击进行了探讨，这是对DMP的行为的新理解，该行为表明Apple DMP将代表任何受害者计划激活，并试图“泄漏”任何类似于指针的缓存数据。从这种理解中，我们签署了一种新型的输入攻击，该攻击使用DMP对经典的经典恒定时间实现（OpenSSL Diffie-Hellman键交换，GO RSA解密）和后Quantum Cryptogragra-Phy（Crystals-kyber-kyber-kyber and Crystals-dilith）进行端到端的键提取。
Gofetch：使用数据内存依赖的预摘要
微构造的侧通道攻击动摇了现代处理器设计的基础。针对这些攻击的基石防御是为了确保关键安全计划不会使用秘密依赖数据作为地址。简单：不要将秘密作为地址传递给，例如数据存储器说明。然而，发现数据内存依赖性预定器（DMP）（DMP）（将程序数据直接从内存系统内部转换为地址）质疑该方法是否会继续保持安全。本文表明，DMP的安全威胁要比以前想象的要差得多，并使用Apple M-Series DMP证明了对关键安全软件的首次端到端攻击。对我们的攻击进行了探讨，这是对DMP的行为的新理解，该行为表明Apple DMP将代表任何受害者计划激活，并试图“泄漏”任何类似于指针的缓存数据。从这种理解中，我们签署了一种新型的输入攻击，该攻击使用DMP对经典的经典恒定时间实现（OpenSSL Diffie-Hellman键交换，GO RSA解密）和后Quantum Cryptogragra-Phy（Crystals-kyber-kyber-kyber and Crystals-dilith）进行端到端的键提取。
双极内存之间的可逆转换...
本文档是公认的手稿版本的已发表作品，该作品以ACS应用材料和接口的最终形式出现，版权所有©2020 American Chemical Society之后，在同行评审和发行商的技术编辑后。要访问最终编辑和发布的工作，请参见https://doi.org/10.1021/acsami.0c04872。
经验重播算法和情节内存的功能
1伦敦经济学和政治科学学院哲学，逻辑和科学方法摘要：情节记忆是过去事件的记忆。它特征在于在思想中“重播”自己的经历的经历。这种生物学现象激发了AI中几种“经验重播”算法的发展。在本章中，我询问经验重播算法是否可能揭示出关于情节记忆功能的难题：情节记忆有什么促进发现它的认知系统？我认为，经验重播算法可以作为情节记忆的理想化模型，以解决这个问题。以DQN算法为案例研究，我建议这些算法为助记符帐户提供了一些支持，在哪些情节内存的功能中，信息在存储，编码和检索信息。通过扩展和适应经验重播算法，我们可能会进一步了解情节记忆的操作和对认知的贡献。关键字：情节内存；经验重播；人工智能;认知角色功能；模型
AI解决Java内存泄漏的方法
Java内存泄漏给开发人员带来了重大挑战，通常会导致性能和系统不稳定。“智能调试：AI解决Java内存泄漏的方法”探索了旨在解决和减轻这些问题的创新人工智能技术。本文研究了AI驱动的工具和方法的集成，包括机器学习算法和异常检测，以更有效地识别，分析和解决Java应用程序中的内存泄漏。通过利用预测模型和自动分析，这些AI方法可以增强调试过程，从而精确的见解记忆使用模式和泄漏起源。本文对传统调试方法与AI增强策略进行了比较评估，强调了检测准确性，分辨率速度和整体系统稳定性的提高。调查结果强调了AI改变内存泄漏管理的潜力，从而提供了有关软件调试未来的前瞻性观点。
节能计算的 3D 逻辑和内存专题
单片微电子设计面临着巨大的挑战，因为计算内存带宽和延迟的需求日益增长，而计算的能效限制了其性能和成本。尽管最近的进展（例如领域特定加速、近内存和内存计算技术）试图解决这些问题，但单片设计的扩展趋势仍然落后于人工智能算法、高性能计算、高清传感和其他数据密集型应用不断增长的需求。在这种背景下，技术创新，特别是通过封装和单片方法实现的 3D 集成，对于实现异构集成 (HI) 并带来超越传统芯片设计的显著性能、能源和成本优势至关重要。3D 逻辑和内存设计允许灵活地生产和连接异构功能宏（即芯片），具有更高的互连密度、长度减少和面积利用率，为整个微电子设计堆栈开辟了新的机遇。
生成式人工智能：内存市场影响
• 数据中心 GPU 和 AI ASIC 市场在 2023 年经历的大规模增长（同比增长 167%）预计将在 2024 年继续，并在次年趋于稳定。我们预计这种稳定将持续，因为能够大量购买 GPU 和 AI ASIC 的公司数量有限，而且这些组件的生命周期平均也在增长。然而，我们预计在这种大幅增长之后收入不会下降，因为 AI 进展非常快，模型大小仍在扩大，相应的应用还远未被发现。我们预计未来几年用于 AI 推理的 GPU 和 AI ASIC 的比例将会增长。