用于cnn的FPGA加速器;设计趋势;人工智能芯片的挑战;正式的方程。
亚利桑那州立大学Jae-sun SeoArm的Paul Whatmough为稀疏CNN引入了一种完全并行和全流水线的FPGA加速器，可以消除片外内存访问，并有效地支持对CNN权重的元素修剪。
抑扬顿挫的保罗McLellan从机器学习和先进的封装驱动更高性能的系统，到越来越多的关注逻辑和内存的不平等改进，强调了最近的热芯片趋势。
Synopsys对此的Kiran Vittal研究了最近AI芯片的蓬勃发展如何改变了硅工程的格局，关键验证的挑战和机遇，扩大AI芯片在应用程序中的使用，以及为什么硬件安全将是至关重要的。
西门子EDA的乔·胡佩西三世解释如何使用一个简单的方程进行正式验证，而不需要复杂的学术证明。
在Ansys的一篇博客中，特伦特马丁他解释了多物理场模拟如何帮助无人驾驶车辆在2022年登陆月球。
在SEMI的博客中，KX的比尔·皮尔森认为半导体行业需要优化现有工厂，以通过实施智能制造解决方案和利用生成的数据来提高生产率和产量。
Onsemi的马克·布莱肯检查了插电式电动汽车中的车载充电器是如何工作的，以及为什么电动汽车电池容量的巨大差异推动了对OBC设计的可扩展性和灵活性的需求。
Nvidia的Debraj Sinha发现边缘计算可以为制造业提供显著的好处，使支持传感器的设备能够以最小的延迟在本地收集和处理数据，用于实时人工智能。
为了在阅读之余休息一下，看看一些最新的视频：
在哪里开腔塑料包装可以帮助处理过时，通过改造。
哪里出了问题优化人工智能系统以及该怎么做。
低功耗始终在线电路提出这样一个问题:当事情从未停止时，会发生什么?
为什么ML在EDA中的应用正在成为设计复杂芯片的必要条件。
DRAM正在发生什么变化以及缩小功能对内存的影响。
有什么，缺什么，下一个目标是什么使用RISC-V．
汽车架构的变化随着汽车从以驾驶员为中心向无人驾驶功能转变。
|
|
|
|
|
|
|
|
留下回复