Muistissa toimivaa langatonta laskentaa

Rinnakkainen langaton digitaalinen viestintä erittäin alhaisella virrankulutuksella on kriittistä kehittyville huipputeknologioille, kuten 5G ja esineiden Internet.

Digitaalisten laskentayksiköiden ja analogisten siirtoyksiköiden välinen fyysinen erottelu perinteisessä langattomassa tekniikassa johtaa kuitenkin suureen virrankulutukseen.

Nanjingin yliopiston, Southeast Universityn ja Purple Mountain Laboratoriesin tutkijat Kiinassa ovat äskettäin kehittäneet rinnakkaisen muistissa toimivan langattoman laskentajärjestelmän, joka suorittaa laskelmia ja langattoman tiedonsiirron samanaikaisesti samalla laitteistopiirien tasolla.

Lähestymistapa yhdistää muistin sisäisen tietojenkäsittelyn langattomaan tietoliikenteeseen käyttämällä memristiivisiä ristikytkentäryhmiä.

He osoittivat, että järjestelmää voidaan käyttää 480 bittisen binäärivirran radiolähetykseen bittivirhesuhteella 0/480. Muistissa oleva langaton tietojenkäsittely käyttää kaksi suuruusluokkaa vähemmän tehoa kuin perinteinen tekniikka, joka perustuu DA- ja AD-tekniikoihin.

Tutkijoiden mukaan lähestymistapaa voidaan soveltaa myös akustiseen ja optiseen langattomaan viestintään.

Saavutus perustuu ryhmän aiempaan työhön jossa hyödynnettiin jatkuvatoimista datan käyttöä nanomittakaavan ristikytkentäryhmässä toteuttamaan rinnakkainen laskenta analogisen informaation välittömälle prosessoinnille reaaliajassa.

Analogisen eli jatkuvasti syntyvän datan hyödyntäminen välttää muunnokset eri logiikkatilojen välillä ja voi siten ylittää digitaalisen käsittelyn nopeus- ja tehonkäyttöongelmat.

Jatkuva-aikaisella signaalilla esitetyn datan käsittely vaatii laitteistoarkkitehtuurin, jolla laskenta voidaan toteuttaa jatkuva-aikaisesti.

Memristiiviset ristikytkentäryhmät tarjoavat alustan, joka pystyy toteuttamaan analogista laskentaa. Menetelmällä oli jo silloin saavutettu energiatehokas visuaalinen/puhekäsittely ja tunnistus.

Sillä ker tutkijat esittelivät ja toteuttivat skaalautuvaa massiivisesti rinnakkaista laskentamallia käyttämällä jatkuva-aikaista dataa ja taajuuden multipleksointia ja ennakoivat sille lupaavia sovelluksia älykkäissä reunalaitteissa.

Aiheista aiemmin:

Ioninen nestepohjainen säilölaskenta

Analogialaskentaa verkon reunalle