Telusuri profil teknologi beserta ringkasan dan rujukannya.
Komputasi kuantum modular berbasis Pauli meneliti pasokan entanglement, kompilasi pengukuran, serta perubahan ukuran kode selama eksekusi untuk menghubungkan banyak perangkat tahan kesalahan.
Layanan inferensi adaptif mengaktifkan anggota keluarga model hampir seketika untuk menyeimbangkan akurasi dan tenggat respons pada perangkat heterogen tanpa pelatihan ulang.
Penjadwalan real-time feedback menggabungkan ECU dan GPU untuk menjaga tenggat tugas kendaraan otonom sambil menyeimbangkan presisi kendali serta akurasi pengenalan.
Akselerator FPGA koheren-cache mengatur propagasi perubahan ke memori persisten untuk menjaga konsistensi saat crash tanpa menambahkan perangkat lunak pada jalur akses CPU.
Arsitektur non-von-Neumann diteliti untuk simpul kecerdasan tepi yang mengindra, memutuskan, dan bertindak secara lokal dengan perpindahan data serta energi terbatas.
Dataflow terdistribusi untuk IoT mengusulkan abstraksi lintas skala dan model pemrograman yang bekerja dari mikrokontroler hingga superkomputer.
Pelatihan jaringan saraf graf dinamis akan memakai partisi, sampling, dan cache khusus untuk graf besar yang terus berubah seiring waktu.
Abstraksi soft memory dan layanan cache kernel Midas akan memungkinkan aplikasi cloud berbagi memori elastis untuk data yang kehilangan isinya tidak mengganggu fungsi.
Penjadwalan waktu nyata dan jaringan terprogram diteliti bersama untuk menjaga tenggat komunikasi sistem kendaraan, avionik, dan infrastruktur kritis.
Komputasi dalam memori pada FPGA diteliti melalui integrasi blok memori, sintesis tingkat tinggi, dan prototipe cip terbuka.
Manajemen holistik GPU dan energi diteliti untuk menangani lonjakan inferensi model dengan batas latensi sambil menurunkan kebutuhan investasi perangkat serta pendinginan pusat data.
Sinyal fisik tak disengaja perangkat IoT diteliti sebagai jalur komunikasi, identifikasi, dan debugging dengan overhead energi, area, serta penyimpanan minimal.
Inferensi jaringan neural untuk kendaraan otonom menggunakan caching fitur dan penjadwalan bersama lintas lapisan agar variasi waktu keputusan lebih terkendali.
Manycore processing-in-memory berbasis crossbar ReRAM dirancang untuk komputasi graph neural network pada perangkat edge yang terbatas ukuran, daya, serta penyimpanan.
Operator matriks baru diteliti untuk jaringan neural graf sangat jarang agar prosesor bervector dan banyak inti tetap dimanfaatkan secara efektif.
DIFFICE-jax 2.0 dikembangkan untuk inversi fisika lapisan es berbasis data, menggabungkan jaringan saraf multiskala dan model aliran guna menaksir sifat yang sulit diukur langsung.
Simulator multi-GPU dalam SST meneliti model perangkat, interkoneksi, serta akselerasi berbasis AI untuk memperkirakan kinerja beban HPC dan pembelajaran mesin lintas sistem.
PhaseForge mengintegrasikan model termodinamika CALPHAD yang terdiferensiasi, probabilistik, dan adaptif data, untuk menghasilkan basis fase yang dapat dipakai ulang oleh simulasi serta optimasi bahan.