دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Hao Yu, Leibin Ni, Yuhao Wang سری: Synthesis Lectures on Emerging Engineering Technologies, #8 ISBN (شابک) : 9781627056441 ناشر: Morgan & Claypool سال نشر: 2017 تعداد صفحات: 151 زبان: english فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Non-Volatile In-Memory Computing by Spintronics به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب محاسبات درون حافظه غیر فرار توسط Spintronics نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
محاسبات در مقیاس Exa نیاز به بررسی مجدد پلت فرم سخت افزاری موجود دارد که می تواند محاسبات فشرده داده محور را پشتیبانی کند. از آنجایی که گلوگاه اصلی از حافظه است، هدف ما توسعه یک پلت فرم محاسباتی درون حافظه با انرژی کارآمد در این کتاب است. ابتدا مدلهای اتصال تونل مغناطیسی گشتاور چرخشی و حافظه پیست مسابقه ارائه میشوند. در مرحله بعد، نشان میدهیم که اسپینترونیک میتواند کاندیدایی برای محاسبات دادهمحور آینده برای ذخیرهسازی، منطق، و اتصال به هم باشد. در نتیجه، با استفاده از اسپینترونیک، محاسبات مبتنی بر حافظه برای رمزگذاری داده ها و یادگیری ماشین استفاده شده است. پیاده سازی های AES درون حافظه، رمز سیمون و همچنین اتصال به یکدیگر با جزئیات توضیح داده شده است. علاوه بر این، یادگیری ماشینی مبتنی بر حافظه و تشخیص چهره نیز در این کتاب به تصویر کشیده شده است.
Exa-scale computing needs to re-examine the existing hardware platform that can support intensive data-oriented computing. Since the main bottleneck is from memory, we aim to develop an energy-efficient in-memory computing platform in this book. First, the models of spin-transfer torque magnetic tunnel junction and racetrack memory are presented. Next, we show that the spintronics could be a candidate for future data-oriented computing for storage, logic, and interconnect. As a result, by utilizing spintronics, in-memory-based computing has been applied for data encryption and machine learning. The implementations of in-memory AES, Simon cipher, as well as interconnect are explained in details. In addition, in-memory-based machine learning and face recognition are also illustrated in this book.