Microchip Technology Inc. ha annunciato che la sua soluzione di memoria neuromorfica SuperFlash memBrain ha risolto questo problema per il SoC di elaborazione neurale WITINMEM, il primo in produzione in volume che consente ai sistemi sub-mA di ridurre il rumore del discorso e riconoscere centinaia di parole di comando, in tempo reale e subito dopo l'accensione. Microchip ha collaborato con WITINMEM per incorporare la soluzione di calcolo in-memory analogica di Microchip, basata sulla tecnologia SuperFlash, nel SoC a bassissimo consumo di WITINMEM. Il SoC è dotato di tecnologia computing-in-memory per l'elaborazione delle reti neurali, tra cui il riconoscimento vocale, il riconoscimento dell'impronta vocale, la riduzione profonda del rumore del parlato, il rilevamento della scena e il monitoraggio dello stato di salute. WITINMEM, a sua volta, sta lavorando con più clienti per portare prodotti sul mercato nel corso del 2022 basati su questo SoC. Il prodotto di memoria neuromorfica memBrain di Microchip è ottimizzato per eseguire la moltiplicazione della matrice vettoriale per le reti neurali. Consente ai processori utilizzati nei dispositivi di bordo alimentati a batteria e profondamente integrati di fornire un'alta performance di inferenza AI possibile per watt. Questo si ottiene sia memorizzando i pesi del modello neurale come valori nell'array di memoria che utilizzando l'array di memoria come elemento di calcolo neurale. Il risultato è un consumo di energia da 10 a 20 volte inferiore rispetto agli approcci alternativi, insieme a un costo complessivo del processore più basso perché non sono necessari DRAM e NOR esterni. La memorizzazione permanente dei modelli neurali all'interno dell'elemento di elaborazione della soluzione memBrain supporta anche la funzionalità instant-on per l'elaborazione delle reti neurali in tempo reale. WITINMEM ha sfruttato la tecnologia SuperFlash e la non volatilità delle celle floating gate per spegnere le sue macro di calcolo in memoria durante lo stato di inattività per ridurre ulteriormente la potenza di dispersione in casi di utilizzo IoT impegnativi.