普林斯頓大學研制的新芯片主要用于支持為深度學習推理算法設計的系統，這些算法允許計算機通過學習數據集來制定決策和執行復雜的任務。深度學習系統可指導自動駕駛汽車、面部識別系統和醫療診斷軟件。

該芯片基于內存計算技術，云主機，旨在克服處理器需要花費大量時間和能量從內存中獲取數據的主要瓶頸，通過直接在內存中執行計算，提高速度和效率。芯片采用了標準編程語言，香港免備案主機 美國服務器，在依賴高性能計算且電池壽命有限的手機、手表或其他設備上特別有用。

研究團隊使用電容器來解決上述問題，電容器可比晶體管在更密集的空間內進行計算，還可非常精確地制作在芯片上。新設計將電容器與芯片上的靜態隨機存取存儲器（SRAM）的傳統單元配對。電容器和SRAM的組合用于對模擬（非數字）域中的數據進行計算。這種內存電路可按照芯片中央處理單元的指令執行計算。

實驗室測試表明，該芯片的性能比同類芯片快幾十到幾百倍。研究人員稱，其已將內存電路集成到可編程處理器架構中。“如果以前的芯片是強大的引擎，新芯片就是整車。”

研究人員表示，對于許多應用而言，芯片的節能與性能提升同樣重要，因為許多人工智能應用程序將在由移動電話或可穿戴醫療傳感器等電池驅動的設備上運行。這也是對可編程性的需求所在。

經典計算機體系結構將處理數據的中央處理器與存儲數據的內存分離，很多計算機的能耗用于來回轉移數據。新芯片考慮在架構級別而不是晶體管級別來突破摩爾定律的局限。但創建這樣一個系統面臨的挑戰是，內存電路要設計得盡可能密集，以便打包大量數據。

通過改變計算的基本屬性，美國普林斯頓大學研究人員日前打造的一款專注于人工智能系統的新型計算機芯片，可在極大提高性能的同時減少能耗需求。