深度分析
記憶體內運算突破蒙特卡羅樹搜尋，IMC-MCTS 以 60mW 功耗實現 9×9 圍棋對弈
蒙特卡羅樹搜尋因高功耗難以邊緣部署。研究者提出階段轉基本運算分解法，將搜尋各階段對應至 CAM、RRAM 陣列等記憶體內運算單元。在 22 奈米製程下，IMC-MCTS 以 60 毫瓦功耗執行 9×9 圍棋，能源效率較 CPU 提升 96 倍，較 H100 GPU 提升最高 2,059 倍。
邊緣AI
深度分析
聯邦式邊緣感知系統新框架：部署前預測學習複雜度
邊緣 AI 系統越來越依賴聯邦式學習來訓練感知模型，但在開始訓練之前，從業者往往缺乏實用工具來評估任務的難度。一篇來自 arXiv 的新論文提出了一套與分類器無關的「部署前複雜度估算框架」，專門用於聯邦式感知系統。
深度分析
錯誤門控學習：降低持續學習能源與記憶體消耗的生物啟發方法
動物能在不耗盡能量的情況下持續更新內部模型，而傳統人工神經網路在每筆樣本皆進行參數更新。研究提出以分類錯誤為門檻的「錯誤門控學習」，僅在當前或過去的錯誤時才允許突觸調整，更新次數減少 50%~80%。此機制在增量與線上學習情境下，可大幅降低記憶體緩衝需求與能源消耗。