导读 边缘计算应用程序需要在数据产生源(即数据创建的地方附近)进行数据处理和存储，现在正应用于越来越多的技术。边缘计算的应用转化为可以收集...
边缘计算应用程序需要在数据产生源(即数据创建的地方附近)进行数据处理和存储，现在正应用于越来越多的技术。边缘计算的应用转化为可以收集、存储和处理数据的设备，例如智能手表、分析公用电网数据的计算机、计算机化安全技术和其他系统。
由于人工智能(AI)算法旨在分析大量数据，因此非常适合边缘计算应用，因为它们可以允许设备分析其收集的数据并根据这些数据做出准确的预测。理想情况下，由人工智能驱动的边缘计算设备应实现高预测精度、快速响应时间和良好的能效，从而实现较长的电池寿命。
为了促进人工智能边缘计算设备的广泛使用并保护其用户，计算机科学家还应确保他们免受网络攻击和敏感数据被盗。《自然电子》杂志上发表的一篇论文介绍了一种新的自旋电子内存计算宏，可以增强人工智能边缘设备的安全性。
在计算机编程中，宏本质上是规则、模式或指令，概述了输入数据应如何映射到给定的输出。他们的宏特别适用于片上非易失性内存计算(nvCIM)系统，该系统将处理器和内存组件组合到单个设备中。
Yen-ChengChiu、Win-SanKhwa及其同事在论文中写道： 我们报告了一种自旋电子nvCIM宏，可实现高效点积边缘计算，并具有用于激活、密钥和数据保护的安全访问控制，以防止开机和关机探测。 他们的论文。
该方法依赖于基于自旋电子学的物理不可克隆函数和二维半补物理加密，以及防窥探自解密突发读取方案与稀疏性和校正线性单元感知相结合提前终止内存计算引擎。
ChiuKhwa及其同事开发的nvCIM宏可以与现有的半导体技术集成，这有利于其实际应用。研究人员通过一系列初步测试测试了其性能，发现它能够很好地防御恶意攻击，并且响应时间快，能源效率高。
6.6兆位互补金属氧化物半导体(CMOS)集成宏使用22nm自旋转移矩磁性随机存取存储器技术， Chiu、Khwa及其同事在论文中解释道。 该宏实现了高随机性(汉明间距离，0.4999)和物理不可克隆功能的高可靠性(汉明内距离，0)，以及点积计算的高能效(30.1到68.0万亿次运算)每秒每瓦)。
未来，该研究团队推出的CMOS集成自旋电子nvCIM宏可以帮助提高人工智能驱动的边缘计算设备的安全性，保护存储在其中的敏感数据，而不会影响其速度、准确性和功效。此外，最近的这项工作可以激励世界各地的其他团队开发类似的解决方案来增强人工智能边缘计算，最终有助于人工智能支持的高性能技术的广泛采用。
