麻省理工学院的研究人员为神经网络计算开发了一个强大的新芯片，该芯片比其他处理器快三到七倍，同时使用94％至95％的能量，这可能使在移动或物联网设备上本地运行神经网络的实用性，麻省理工学院新闻报告。
“一般处理器模型是，芯片的某些部分中有一个记忆，并且芯片的另一部分中有一个处理器，当您进行这些计算时，您可以在它们之间来回移动数据。”
“由于这些机器学习算法需要如此多的计算，因此数据来回传输是能源消耗的主要部分。但是，这些算法确实可以将这些算法的计算简化为一个特定的操作，称为DOT产品。我们的方法是，我们可以在内存中实现此点产品，因此您不需要将此数据转移到后备箱中？”
芯片将节点的输入值转换为电压，并以该形式乘以该形式，然后再转换回数字形式进行存储和进一步处理。这允许原型在一个步骤中一次计算16个节点的点产品，而无需在存储器和处理器之间移动数据。麻省理工学院新闻说，这是对活大脑突触中发生的事情的更忠实的复制。
研究人员说，所有控制节点之间关系的权重均为1或-1，这使它们可以作为简单的开关实现，而准确度的损失通常在传统网络的2％以内的损失通常在损失之内。
Biswas将发表一篇论文，描述国际固态巡回赛会议上的筹码，以及他的论文顾问Anantha Chandrakasan，麻省理工学院工程学院院长和Vannevar Bush电气工程和计算机科学教授。
SexibleVision首席执行官乔治·布罗斯托夫（George Brostoff）检查了自定义处理器急剧转换的潜力在移动设备上安全身份验证在12月的客座帖子中进行生物识别更新。从那以后，FWDNXT宣布开发一个低功率的移动处理器图像识别和分类深度神经网络和ARM宣布设计新芯片定制用于机器学习和对象检测。
