記憶體在人工智能解決方案（例如機器學習）的培訓和實施中均扮演著關鍵角色，這也是創建諸如5G之類的高級網路技術的要求，這將需要在網路邊緣以及在端點處進行處理和存盤以實作IoT和其他應用程式，
如今大多數高性能記憶體都是易失性的，這意味著當設備斷電時，存盤在記憶體中的所有內容都會丟失，但是記憶體會消耗很多功率，尤其是DRAM，這需要定期且頻繁地重繪記憶體中的資料，物聯網等許多新應用程式要求將連接的傳感器和其他設備放置在能量受限的情況下，依靠電池運行或使用能量收集，在資料中心中，諸如DRAM之類的存盤器消耗了總功率的很大一部分，使用非易失性存盤器可以保留許多資料，這將使許多應用受益，即使關閉電源也是如此，
對于包括人工智能推理在內的許多物聯網應用，物聯網系統并非始終處于完全活動狀態，因此可以關閉系統的某些部分，直到需要時為止，使用非易失性存盤器可以更輕松地在不需要時關閉這些存盤器的電源，由于它們是非易失性的，因此可以更頻繁地關閉它們，并且掉電和上電都需要更少的時間，從而改善了系統性能性能，同時將功耗降至最低，
除了在許多嵌入式和獨立應用中對非易失性存盤器的需求之外，一些新興的非易失性存盤器還可以擴展到比許多常規存盤器更高的密度，例如，NOR閃存似乎被有效地限制為22nm或更大的光刻特征，平面NAND閃存被限制為15nm或更大的特征（這就是為什么大容量NAND正在轉向3D結構的原因），當然還有sram， 5-6個晶體管占用了半導體芯片上的大量空間， DRAM的密度縮放也受晶體管尺寸的限制，
由于這些原因，許多主要的半導體代工廠都提供MRAM作為嵌入式應用程式的非易失性存盤器， MRAM可以替代NOR或SRAM，以在設備上提供更高密度的非易失性存盤器，用MRAM替換SRAM可以使AI推理引擎具有更多記憶體（并引導非易失性記憶體）以存盤經過訓練的模型，
轉載請註明出處，本文鏈接：https://www.uj5u.com/caozuo/1790.html
標籤：嵌入式
上一篇：SRAM整體結構圖