使用HLS优化功率和性能。
将机器学习迁移到边缘对功率和性能有至关重要的要求。使用现成的解决方案是不切实际的。在本文中，了解如何创建新的功耗/内存高效硬件架构，以满足边缘的下一代机器学习硬件需求。
阅读更多内容，请点击在这里．
评论*
名字*(注:此名称将公开显示)
电子邮件*(不会公开显示)
Δ
虽然术语通常可以互换使用，但它们是具有不同挑战的非常不同的技术。
商业芯片市场仍在遥远的地平线上，但公司正在以更多有限的合作伙伴关系开始起步。
现有的工具可以用于RISC-V，但它们可能不是最有效或最高效的。还需要什么?
但是，在多模/多晶片设计中，工具上的差距使得解决翘曲、结构问题和新材料变得困难。
专家座谈:更多数据的好处和坏处，以及人工智能如何利用这些数据优化设计和提高可靠性。
更低的精度等于更低的功耗，但要做到这一点需要标准。
新的应用需要对不同类型的DRAM的权衡有深刻的理解。
在了解老化如何影响可靠性方面，该行业正在取得进展，但更多的变量使其更难修复。
技术和业务挑战依然存在，但势头正在积聚。
处理器的验证比同等大小的ASIC复杂得多，而RISC-V处理器将其复杂性提升到另一层。
新的内存标准增加了显著的好处，但它仍然昂贵且使用复杂。这种情况可能会改变。
业界似乎认为这是开放指令集架构的真正目标。
留言回复