Publication

Near-Memory Data Services

Babak Falsafi
2016
Journal Articles

Résumé

This column introduces seven invited position papers about the challenges and opportunities in near-data processing. "Near-Memory Data Services" by Babak Falsafi, "Automata Processing: The Memory Is the Processor!" by Mircea Stan, Kevin Skadron, "Overcoming Challenges to Near-Data Processing" by Nuwan Jayasena, "Near-Data Processing of Neural Networks" by Yunji Chen, Jinhua Tao, "The Active Memory Cube" by Ravi Nair, Jaime Moreno, "In-Situ Computing Through an Analog Dot-Product Engine" by Naveen Muralimanohar, "Memory Processing Units" by Karthikeyan Sankaralingam, Cristian Estan.

Source officielle

https://infoscience.epfl.ch/entities/publication/b3b9fc4d-bcf5-4e3e-8ebf-c74d095d78f8

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Near-Memory Data Services

Chattez avec Graph Search

EdgeAI-Aware Design of In-Memory Computing Architectures

Task-driven neural network models predict neural dynamics of proprioception: Experimental data, activations and predictions of neural network models

Infusing structured knowledge priors in neural models for sample-efficient symbolic reasoning