Büyük dil modellerinin (LLM) hızla gelişmesiyle birlikte yapay zeka çiplerinin bellek ihtiyaçları dramatik şekilde artıyor. Bu modellerin farklı çalışma aşamaları - örneğin veri önyükleme ve kod çözme aşamaları - tamamen farklı bellek kapasitesi ve bant genişliği gereksinimleri ortaya koyuyor. Teknoloji devleri bu zorluğa NVIDIA'nın Vera Rubin platformu gibi heterojen hızlandırıcıları birleştiren sistemlerle yanıt veriyor. Ancak durum, SRAM, HBM, LPDDR gibi mevcut bellek teknolojilerinin yanı sıra yüksek bant genişlikli flash bellek gibi yeni seçeneklerin de devreye girmesiyle daha da karmaşıklaşıyor. Her teknoloji farklı kapasite, hız ve enerji tüketimi avantajları sunuyor. MemExplorer projesi, gelecek nesil yapay zeka çiplerinin optimal bellek mimarisini belirlemek için bu geniş tasarım alanında navigasyon sağlamaya odaklanıyor.

Araştırmacılar, endüstriyel IoT cihazları için yeni bir güvenlik doğrulama sistemi geliştirdi. Bu sistem, her cihazın benzersiz donanım özelliklerini kullanarak dijital parmak izi oluşturuyor. SRAM bellek hücrelerindeki üretim farklılıklarından yararlanan teknik, Hamming kod düzeltmesi ve çoğunluk oylama yöntemleriyle destekleniyor. Geliştirilen sistem, kimlik doğrulama sonrası hata oranını %1'in altında tutmayı başarıyor. Bu yaklaşım, kaynak kısıtlı endüstriyel cihazlarda güvenli kimlik doğrulama sağlarken, hesaplama yükünü minimum seviyede tutuyor. Araştırma, güvenlik ve güvenilirlik arasındaki dengeyi optimize etmek için tasarım bütçesi kavramını sunuyor.