Memristorbaserad chip lovar Effektiv och snabbare RF-signalbehandling
Detta nya minnesbaserade chip förbättrar bearbetning av analoga signaler snabbare genom att konsumera mindre energi och mycket mer effektivt.
Ett team av forskare från University of Massachusetts Amherst, Texas A&M University och Tetramem Inc., har utvecklat en ny typ av system-on-chip (SOC), som är utformad för att bearbeta analog radiofrekvens (RF) -signaler snabbare och mer effektivt än konventionella mjukvarudefinierade radioer (SDR).
Till skillnad från traditionell SDR, som förlitar sig på digitala komponenter och analoga till digitala omvandlare (ADC) som konsumerar betydande energi och introducerar latens, använder denna metod memristorer, som är icke-flyktiga minnesenheter som kan bearbeta och lagra analoga signaler på plats.
Det integrerade chipet efterliknar hjärnans metod för realtidssensorisk bearbetning, vilket minskar energiförbrukningen genom att eliminera konstant dataöverföring mellan minne och datormoduler.
Kärnan i den nya SOC finns en tvärbalsom matris av memristorer som direkt hanterar RF-ingångar i realtid.Denna rutliknande struktur kodar vikterna i en neural algoritm, vilket gör att chipet kan bearbeta signaler och extrahera relevant information på enheten, utan att konvertera den till digital form.Detta tillvägagångssätt möjliggör extremt låg-latens och energieffektivt och med hög noggrannhetssignalbehandling direkt på kantenheter,
Chipet distribuerar både signalbehandling och AI-inferens över tio datorkärnor, med stöd av helt integrerade perifera kretsar.Resultatet är en höghastighets, lågenergiplattform som är väl lämpad för kantapplikationer och nästa generations trådlösa nätverk.
Forskarna ser denna SOC som ett tidigt steg mot inbäddad AI för 6G och avancerade Wi-Fi-system, där smart, adaptiv RF-behandling kommer att vara kritisk.Framtida versioner kommer att rikta in sig på högre frekvenser och utvidgad funktionalitet, med målet om kommersiell integration i verkliga trådlösa ekosystem.
Detta genombrott ger en inblick i framtiden för AI-driven analog signalbehandling, där intelligenta kantenheter bearbetar data snabbare och mer hållbart än någonsin tidigare.