ما هي MRAM؟
تخزّن MRAM البيانات باستخدام الخصائص المغناطيسية بدلاً من الشحنة الكهربائية (مثل DRAM) أو الإلكترونات المحتجزة (مثل Flash). الوحدة الأساسية هي الوصلة النفقية المغناطيسية (MTJ): طبقة عازلة رقيقة محصورة بين طبقتين مغناطيسيتين. يضبط تيار صغير الوصلة على مقاومة عالية أو منخفضة — عالية = "1"، منخفضة = "0".
الخصائص الرئيسية:
- غير متطايرة: تبقى البيانات دون طاقة. لا حاجة لدورة تحديث.
- قابلة للعنونة على مستوى البايت: مثل DRAM، يمكن قراءة/كتابة كل بايت على حدة. بخلاف Flash (القائمة على الصفحات).
- لا طاقة تحديث: يجب تحديث DRAM باستمرار للاحتفاظ ببياناتها، مما يستهلك طاقة في وضع الاستعداد. أما MRAM فهي غير متطايرة ولا تحتاج إلى تحديث.
- تحمّل عالٍ: تُبلغ الشركات المصنّعة عن تحمّل كتابة يفوق NAND Flash بكثير، ويقارب مستوى DRAM في بعض أنواع MRAM؛ وتختلف الأرقام الدقيقة بحسب المنتج، لذا راجع ورقة بيانات المصنّع.
- تكامل العملية: يمكن لـ Samsung وغيرها من المسابك تضمين MRAM مباشرةً في شرائح المنطق؛ وبالنسبة إلى Samsung فإن eMRAM بتقنية 28nm FD-SOI موثّقة في المصادر، أما العقد الأصغر فهي أهداف في خارطة الطريق.
اختناق الذاكرة في الذكاء الاصطناعي على الجهاز
يهيمن على الاستدلال الحديث للذكاء الاصطناعي مشكلة واحدة: اختناق فون نويمان (von Neumann). الحوسبة (CPU/GPU) والذاكرة منفصلتان مادياً. تتطلب كل عملية في الشبكة العصبية أن تتنقل البيانات ذهاباً وإياباً — الأوزان والتنشيطات وذاكرة KV cache في المحوّلات (transformers).
حركة البيانات هذه باهظة الكلفة بشكل استثنائي مقارنةً بالحساب الفعلي:
في تقديرات الطاقة المستشهد بها على نطاق واسع لـ Horowitz (ISSCC 2014، عملية تصنيع بحدود 45 nm)، تكلّف قراءة كلمة 32-bit من DRAM أكثر من 100 ضعف طاقة عملية ضرب بفاصلة عائمة 32-bit. وحين يجب بثّ أوزان النموذج من DRAM، قد تشكّل حركة البيانات جزءاً كبيراً من طاقة حِمل الاستدلال، مع اختلاف النسبة بحسب النموذج والعتاد وعقدة التصنيع. لا تفيد وحدات CPU/GPU الأسرع إذا كان ناقل الذاكرة هو الجدار.
بالنسبة للذكاء الاصطناعي على الجهاز في الهواتف والحواسيب المحمولة وأجهزة الحافة العاملة بالبطارية، يمثّل هذا الاختناق العقبة الأساسية أمام زمن استدلال أطول دون استنزاف البطارية.
Operation | Energy cost | Relative |
|---|---|---|
| وصول DRAM بـ 32-bit | 500+ pJ | >130× أكثر من عملية ضرب بفاصلة عائمة 32-bit |
| وصول SRAM على الرقاقة بـ 32-bit | ~5 pJ | ~1.4× عملية ضرب بفاصلة عائمة 32-bit |
| ضرب بفاصلة عائمة 32-bit | ~3.7 pJ | الأساس (1×) |
كيف تهاجم الحوسبة داخل الذاكرة المشكلة
تحل الحوسبة داخل الذاكرة (وتُسمى أيضاً المعالجة داخل الذاكرة أو PIM) هذه المشكلة بنقل الحوسبة إلى مصفوفة الذاكرة نفسها. فبدلاً من تحميل الأوزان والتنشيطات في وحدة ALU منفصلة، تحدث عملية MAC مباشرةً في المصفوفة المتقاطعة (crossbar) لخلايا الذاكرة.
كيف تعمل:
- تُخزَّن أوزان الشبكة العصبية كخلايا MRAM (أو ذاكرة أخرى متوافقة مع النمط التماثلي).
- تُطبَّق تنشيطات المدخلات كجهود صفوف.
- تحسب الخصائص التماثلية لمصفوفة الذاكرة ضرب المصفوفة في المتجه في مرور واحد — العملية الأساسية في استدلال المحوّلات (transformer).
- تُقرأ النتائج وتُكمَّم عائدةً إلى الشكل الرقمي.
حيث تقف MRAM اليوم
ورقة Samsung SAIT في Nature (يناير 2022):
- عرض منشور لمصفوفة MRAM متقاطعة بحجم 64×64 تنفذ الحوسبة داخل الذاكرة.
- الدقة المُحقَّقة (ملخص Nature): 93.23% في الأرقام المكتوبة بخط اليد MNIST (خط الأساس البرمجي 95.24%) و93.4% في كشف الوجوه؛ وبلغت شبكة VGG-8 المحاكاة ذات الطبقات الثماني 98.86% (خط الأساس البرمجي 99.28%).
- كفاءة الطاقة: تأكد اتجاهياً أنها تستفيد من إزالة حركة البيانات، لكن لم يُكشَف عن خفض محدد ومقنّن للطاقة مقابل DRAM في المواد العامة.
- القيد: متخصصة للغاية في مهام التعلم الآلي الكلاسيكية (تصنيف الأرقام، كشف الكائنات). لم تُعرَض بعد على استدلال المحوّلات (transformer) الكبيرة.
- رقاقة SemiFive + ICYTech PNM MRAM للحافة (مايو 2026):
- حققت بنجاح tape-out على Samsung Foundry 8nm (8LPU) مع MRAM مضمّنة.
- Tape-out = تسليم التصميم للتصنيع. لم يعُد السيليكون بعد، ولم تُنشَر أي قياسات أداء، ولم يُشحَن المنتج.
- القدرة المزعومة: استدلال على الجهاز لنماذج تصل إلى 2 مليار معامل دون اتصال بالشبكة.
- المستهدف: تلخيص النصوص والترجمة والاستدلال الحواري على ذكاء اصطناعي الحافة والروبوتات البشرية والسيارات.
- يُستهدف أول تسويق تجاري في آسيا؛ لم يُعلَن عن جدول زمني لأمريكا الشمالية.
MRAM مقابل HBM مقابل DRAM مقابل LPDDR5: المقايضات
ما تقدمه MRAM ولا تقدمه HBM:
- عدم التطاير: تبقى الأوزان بعد انقطاع الطاقة، مما يتيح استدلالاً فورياً دون إعادة التحميل من القرص.
- طاقة تحديث صفرية: تزيل عبء تيار وضع الاستعداد.
- تكامل مباشر في الشريحة: لا حاجة لحزمة ذاكرة منفصلة.
- مناسبة لعقد الحافة والأجهزة القابلة للارتداء ذات التشغيل المتقطع.
- ما تقدمه HBM ولا تقدمه MRAM (حالياً):
- عرض نطاق ترددي أعلى بكثير: تتيح مواصفة JEDEC لـ HBM4 ما يصل إلى نحو 2 TB/s لكل مكدس، مقابل عرض النطاق المضمّن لـ MRAM (غير منشور).
- كثافة مُثبتة على نطاق واسع لتدريب النماذج الكبيرة.
- لا اعتماد على تكامل عملية MTJ المتخصصة.
- متاحة اليوم في مسرّعات الذكاء الاصطناعي الإنتاجية.
Memory Type | Peak Bandwidth | Non-Volatile | Standby Power | Form Factor | Best For | Status for AI |
|---|---|---|---|---|---|---|
| HBM4 (ذاكرة عالية النطاق الترددي) | حتى ~2 TB/s لكل مكدس (مواصفة JEDEC) | لا | عالٍ (تحديث) | مكدّس على interposer | تدريب الذكاء الاصطناعي، الاستدلال المتطور | إنتاج، مُثبَت على نطاق واسع |
| LPDDR5X (DRAM محمول) | يختلف حسب الجهاز وعرض الناقل | لا | يتطلب تحديثًا (توجد أوضاع تحديث ذاتي منخفضة الطاقة) | حزمة بربط سلكي (wirebonded) | ذكاء اصطناعي الحافة، الاستدلال المحمول | المعيار الحالي للهواتف/الأجهزة اللوحية |
| MRAM (eMRAM مضمّنة) | لم يُنشَر بعد | نعم | قريب من الصفر | مضمّنة في شريحة SoC | ذكاء اصطناعي الحافة الدائم التشغيل، الأحمال المتخصصة | بحث وتطوير، tape-out (مايو 2026)، ليست استهلاكية بعد |
| DRAM قياسي | يختلف حسب الوحدة وعدد القنوات | لا | متوسط (تحديث) | DIMM, SO-DIMM | الحوسبة العامة، الاستدلال على أجهزة سطح المكتب | إنتاج، في كل مكان |
الخلاصة: MRAM و HBM ليستا متنافستين اليوم. تستهدف HBM مسرّعات الذكاء الاصطناعي عالية النطاق الترددي (GPUs، TPUs في مراكز البيانات). تستهدف MRAM استدلال الحافة والحوسبة المتخصصة داخل الذاكرة حيث يهم عدم التطاير وتكامل SoC أكثر من عرض النطاق الترددي الخام.
البديل البرمجي: ضغط KV-Cache بواسطة TurboQuant
بينما يعمل باحثو الأجهزة على حوسبة MRAM داخل الذاكرة، يهاجم مهندسو البرمجيات اختناق الذاكرة من زاوية مختلفة: الضغط.
Google TurboQuant (ICLR 2026، نُشر في مارس 2026):
- وفق Google Research، يضغط TurboQuant ذاكرة KV (key-value) cache في استدلال المحوّلات إلى 3 bits — نزولاً من الصيغ النموذجية 16-bit أو 8-bit.
- تقليص لا يقل عن 6× في بصمة ذاكرة KV cache (Google Research، في مهام needle-in-haystack). في الاستدلال ذي السياق الطويل، قد تشغل KV cache جزءاً كبيراً من الذاكرة.
- لم يُبلَّغ عن فقدان في الدقة من Google في اختباراتها المرجعية الخاصة، بما فيها تقييمات needle-in-haystack (استرجاع السياق الطويل)؛ وتُبلغ ورقة arXiv عن حياد الجودة عند 3.5 bits لكل قناة.
- تسريع يصل إلى 8× في حساب لوغيتات الانتباه (attention logits) على وحدات H100 GPUs (TurboQuant بـ 4-bit مقابل مفاتيح 32-bit غير مُكمَّمة) وفق Google Research؛ وهو ليس تسريعاً شاملاً من طرف إلى طرف.
- وفق Google Research لا حاجة لتدريب أو fine-tuning. ولا يزال استخدامه في خط استدلال قائم يتطلب تطبيقًا ضمن مكتبة.
- كيف يعمل: عملية من مرحلتين — PolarQuant (التكميم في الإحداثيات القطبية باستخدام مراكز Lloyd-Max) + QJL (تحويل Johnson-Lindenstrauss المُكمَّم، يضيف تصحيح الأخطاء للحفاظ على دقة الجداء الداخلي عند الضغط الشديد).
- توجد تطبيقات مجتمعية؛ في المصادر التي راجعناها، لا تشير تدوينة Google إلى كود رسمي. الأرقام أعلاه مُبلَّغ عنها من Google Research؛ وتختلف نسب الضغط بين التطبيقات المجتمعية.
- لماذا يهم: لا يتطلب تقليص الذاكرة برمجياً بحتاً أجهزة جديدة، وقد يفيد الأجهزة الحالية حالما تدعمه مكتبة استدلال. إنه استجابة عملية لاختناق الذاكرة في انتظار نضج MRAM.
إذا وصلت MRAM إلى أجهزة المستهلك
من شأن اعتماد الهواتف الذكية وأجهزة الكمبيوتر الاستهلاكية لـ MRAM أن يعيد تشكيل الذكاء الاصطناعي على الجهاز بثلاث طرق:
- استدلال فوري التشغيل: يقلع الهاتف، وتكون أوزان نموذج الذكاء الاصطناعي موجودة أصلاً في MRAM غير المتطايرة على SoC، دون حاجة لإعادة التحميل من التخزين. بدء فوري للمساعدات الصوتية والترجمة الفورية والاستدلال على الجهاز.
- عمر بطارية أطول: لا استنزاف بتحديث وضع الاستعداد على نظام الذاكرة الفرعي. بالنسبة لميزات الذكاء الاصطناعي الدائمة التشغيل (الاستماع في الخلفية، التحليلات الحافظة للخصوصية)، تكون وفورات الطاقة تراكمية مضاعفة.
- نماذج أكبر ضمن ميزانية طاقة ثابتة: إذا حققت الحوسبة داخل الذاكرة مكسباً كافياً في كفاءة الطاقة مقارنةً بفصل LPDDR5 + الحوسبة، فقد تتمكن الهواتف من حيث المبدأ من تشغيل نماذج أكبر على الجهاز ضمن ميزانية البطارية نفسها. هذا تخمين؛ ولم يُتحقق من مكسب كهذا في أي منتج تجاري.
الجدول الزمني ونظرة صادقة
ما هو موثَّق (خرائط طريق الشركات وإعلاناتها، وقد تتغير):
- ما هو غير مؤكَّد:
- لم نعثر على إعلان عن دمج MRAM من جانب مصنّعي الهواتف الذكية أو شرائح SoC الكبار (مثل Apple وQualcomm وMediaTek).
- مواصفات عرض النطاق الترددي والكثافة لـ MRAM على نطاق VRAM الاستهلاكي (8–16 GB) غير متاحة علناً.
- مكاسب كفاءة الطاقة لاستدلال النماذج الكبيرة (30B+) لم تُقَس في السيليكون.
- تكافؤ التكلفة مع LPDDR5 أو HBM غير مدرج في أي خارطة طريق منشورة.
- الجدول الزمني الواقعي (تقدير تحريري، وليس خارطة طريق للمصنّعين):
- 2026–2028: رقاقات SoC لذكاء اصطناعي الحافة (الروبوتات، السيارات، IoT) مع وحدات حوسبة MRAM صغيرة داخل الذاكرة. نماذج محدودة بحجم 2B. نشر آسيا أولاً.
- 2028–2030: احتمال الدمج في الهواتف الذكية كذاكرة مؤقتة غير متطايرة أو وحدة مسرّع ذكاء اصطناعي متخصصة (وليس بديلاً للذاكرة الرئيسية).
- 2030+: يتطلب النشر السائد في هواتف المستهلكين كبديل لـ DRAM حل تحديات الكثافة وعرض النطاق الترددي والتكلفة التي لم تُحَل بعد. لا نتوقعه قبل 2031–2035.
Year | Milestone | Status |
|---|---|---|
| 2019 | Samsung تعلن بدء الشحن التجاري لذاكرة eMRAM بتقنية 28nm FD-SOI | أُعلن (Samsung، مارس 2019) |
| 2024 | إنتاج Samsung لـ eMRAM بتقنية 14nm | هدف في خارطة الطريق (إعلان 2023) |
| 2026 | إنتاج Samsung لـ eMRAM بتقنية 8nm؛ tape-out من SemiFive/ICYTech | هدف في خارطة الطريق؛ أُعلن عن tape-out (مايو 2026) |
| 2027 | توفر عملية Samsung لـ eMRAM بتقنية 5nm (خارطة طريق) | هدف معلن |
| 2028–2029 | احتمال شحن أول رقاقات SoC لذكاء اصطناعي الحافة بحوسبة MRAM داخل الذاكرة (SemiFive وغيرها) | محتمل لكن غير مؤكَّد |
| 2029–2031 | إمكانية دمج MRAM في الهواتف الذكية الاستهلاكية (ذاكرة مؤقتة غير متطايرة أو شريحة ذكاء اصطناعي متخصصة) | تكهّني |
الأسئلة الشائعة
هل MRAM متاحة للشراء الآن لجهاز الكمبيوتر أو الهاتف؟
لا. MRAM في مرحلة الإنتاج لدى عدة موردين، مثلًا لمنتجات صناعية ومنتجات مراكز البيانات (انظر نموذج 8-K الخاص بـ Everspin أعلاه). أما للذكاء الاصطناعي الاستهلاكي، فهي لا تزال في مرحلة البحث والتطوير فقط. رقاقة SemiFive/ICYTech لا تزال في مرحلة tape-out — لم يعُد السيليكون بعد ولم يُقَس أداؤه. النشر الاستهلاكي واقعياً على بُعد 3–5 سنوات أو أكثر.
هل ستحل MRAM محل VRAM في وحدة GPU لديّ؟
من غير المرجح على المدى القريب. تتفوق MRAM في انخفاض طاقة وضع الاستعداد وعدم التطاير، وهما مهمّان في أجهزة الحافة المقيدة بالبطارية. تحل HBM مشكلة مختلفة: أقصى عرض نطاق ترددي لتدريب مراكز البيانات والاستدلال بدفعات كبيرة. بالنسبة للهواتف الاستهلاكية وذكاء اصطناعي الحافة المتخصص، قد تصبح MRAM مكوناً (ذاكرة مؤقتة مضمّنة أو وحدة مسرّع). ستبقى VRAM في وحدة GPU للألعاب أو مسرّع مراكز البيانات من نوع HBM أو GDDR في المستقبل المنظور.
ما الفرق بين الحوسبة داخل الذاكرة وقاعدة بيانات المتجهات؟
طبقتان مختلفتان. تخزّن قواعد بيانات المتجهات التضمينات (embeddings) وتسترجعها بالتشابه (تُستخدم في خطوط RAG). أما الحوسبة داخل الذاكرة فتنفذ العملية الأساسية للشبكة العصبية (ضرب المصفوفة في المتجه) داخل الذاكرة نفسها، مما يزيل نقل البيانات. يمكنك استخدام كليهما معاً: الحوسبة داخل الذاكرة لمحرك الاستدلال، وقاعدة بيانات المتجهات للاسترجاع.
هل يمكنني استخدام ضغط TurboQuant على LLM المحلي الذي أشغّله اليوم؟
ليس بعد في مكتبات الاستدلال السائدة، لكن توجد تطبيقات مجتمعية له. TurboQuant عمل أكاديمي (ICLR 2026). لم نعثر على دعم مؤكَّد لـ TurboQuant في Ollama أو LM Studio، ولا تشير تدوينة Google إلى كود رسمي؛ تحقق من GitHub للتطبيقات المجتمعية، وتختلف نسب الضغط والدقة بينها. الفكرة الأساسية — تكميم ذاكرة KV cache بقوة — قابلة للتكرار في كود استدلال مخصص.
هل تعمل MRAM مع المحوّلات (transformers)؟
أظهرتها Samsung في مهام التعلم الآلي الكلاسيكية (تصنيف الأرقام، كشف الوجوه). أما الاستدلال بحجم المحوّلات (نماذج 7B+) في حوسبة MRAM داخل الذاكرة فلم يُنشَر بعد. الأمر محتمل لكنه غير مُثبَت. تدّعي رقاقة SemiFive قدرة 2B معامل؛ وسنحصل على قياسات أداء حقيقية عندما يعود السيليكون ويُشحَن.
هل MRAM هي نفسها 3D XPoint (Intel Optane)؟
لا. كانت 3D XPoint تقنية ذاكرة من فئة التخزين طوّرتها Intel وMicron (أُوقفت الآن). تخزّن MRAM البيانات مغناطيسيًا، أما 3D XPoint فتعمل بآلية مختلفة. تستهدف كلتاهما المجال نفسه — تخزين سريع ومتين وغير متطاير — لكن باستخدام مقاربات مختلفة.
كم من الطاقة توفر MRAM مقارنةً بـ DRAM؟
في وضع الاستعداد: MRAM غير متطايرة ولا تحتاج إلى تحديث، فتتجنب طاقة التحديث التي تستهلكها DRAM؛ ولم نعثر على رقم لكل جيجابايت مستقل عن المصنّعين، ويعتمد التوفير على الجهاز والسعة. أما في الاستدلال النشط بالحوسبة داخل الذاكرة: فتعرض ورقة Samsung في Nature الحوسبة التناظرية داخل الذاكرة بوصفها نهجاً منخفض الطاقة محتملاً، لكننا لم نعثر فيها على توفير مقنَّن مقارنةً بـ DRAM. ستظهر أرقام السيليكون التجاري عندما يُشحَن منتج ويُقاس أداؤه بشكل مستقل.
هل ستحل MRAM محل DRAM؟
ليس كذاكرة رئيسية في المستقبل المنظور. تكمن نقاط قوة MRAM في عدم التطاير وغياب طاقة التحديث، وهما مناسبان للذواكر المؤقتة المضمّنة ومسرّعات الحافة منخفضة الطاقة. لا تزال DRAM و HBM تحتفظان بمزايا في الكثافة وعرض النطاق الترددي والتكلفة لكل بت. الدور الواقعي لـ MRAM هو وحدة مكمّلة غير متطايرة أو وحدة حوسبة داخل الذاكرة، وليس بديلاً لـ DRAM.
هل حلّت Qualcomm اختناق الذاكرة في 2026؟
أعلنت Qualcomm عن HBC (High-Bandwidth Compute) تحت علامة Dragonfly في يوم المستثمرين لعام 2026 — تصميم near-memory يدمج الحوسبة والذاكرة في سيليكون مكدّس ثلاثي الأبعاد، وتزعم Qualcomm نطاقاً ترددياً لكل واط أعلى بنحو 6 أضعاف من HBM وسعة لكل واط أعلى بـ 200 ضعف من SRAM (ادعاءات الشركة المصنّعة، دون تحقق مستقل). وقّعت Meta اتفاقاً متعدد الأجيال لاستخدام وحدة المعالجة المركزية للخوادم Dragonfly C1000؛ وفي المصادر التي راجعناها لم تُسمِّ Qualcomm عملاء لمسرّعي AI250 وAI300 اللذين يستخدمان HBC. وتبقى ثلاثة فروق مهمة: HBC هو near-memory (الحوسبة بجوار الذاكرة) وليس حوسبة MRAM داخل الذاكرة (الحوسبة داخل مصفوفة الذاكرة)؛ ويستهدف مسرّعات الذكاء الاصطناعي في مراكز البيانات لا الهواتف؛ ومن المتوقع بدء العينات التجارية للجيل الأول من HBC (AI250) في منتصف 2027 وللجيل الثاني HBC Gen 2 (AI300) في 2028، لذا لم يُشحَن شيء بعد. إنه نهج مختلف لمشكلة جدار الذاكرة نفسها، وليس اختراقاً في MRAM.
قراءات ذات صلة
- كم VRAM تحتاج لنماذج LLM المحلية — تحديد حجم DRAM مقابل VRAM للاستدلال على الجهاز اليوم.
- أفضل وحدات GPU لنماذج LLM المحلية — خيارات الأجهزة الحالية في انتظار نضج MRAM.
- شرح تكميم LLM — فهم Q3 و Q4 و Q5 وكيف يقلل الضغط بصمة الذاكرة.
- حلول اختناق ذاكرة LLM المحلية — إدارة KV cache وتحسين الاستدلال والمقاربات البرمجية الحالية.
- ذاكرة Apple Silicon الموحدة لنماذج LLM المحلية — بديل لـ VRAM المنفصلة في GPU: بنية تعكس جزئياً فوائد الحوسبة داخل الذاكرة.
المصادر
- Samsung Newsroom: Samsung Electronics Starts Commercial Shipment of eMRAM Product Based on 28nm FD-SOI Process -- بيان صحفي، 6 مارس 2019
- EE Journal: Ainekko Merges with Veevx (بيان الشركة) -- إعلان الاندماج، مطلع 2026
- MRAM-Info: SEMIFIVE وICY Tech تُنجزان tape-out لرقاقة SoC للذكاء الاصطناعي الطرفي على eMRAM بتقنية 8nm من Samsung -- tape-out على Samsung Foundry بتقنية 8nm (8LPU) مع MRAM مضمّنة، نُشر في 8 مايو 2026
- Nature: A crossbar array of magnetoresistive memory devices for in-memory computing (Jung et al., 2022) -- مصفوفة crossbar بحجم 64×64 من MRAM، MNIST 93.23%، كشف الوجوه 93.4%
- نتائج Everspin للربع الثالث 2026 (SEC Form 8-K) -- إيرادات 20.6 مليون دولار مقابل 14.1 مليون دولار؛ ومبيعات منتجات MRAM 16.9 مليون دولار مقابل 12.7 مليون دولار
- نتائج Everspin للربع الثاني 2026 (SEC Form 8-K) -- عقد بقيمة 40 مليون دولار مع مقاول رئيسي أمريكي
- arXiv:2504.19874: TurboQuant, Online Vector Quantization with Near-optimal Distortion Rate -- تكميم ذاكرة KV؛ حياد الجودة عند 3.5 بت لكل قناة
- StorageReview: Qualcomm تكشف خارطة طريق Dragonfly لمراكز البيانات -- ادعاءات HBC حول النطاق الترددي والسعة، مواعيد عينات AI250 وAI300، اتفاق Meta بشأن وحدة C1000
- Horowitz, "Computing's energy problem (and what we can do about it)", ISSCC 2014 -- الطاقة التقريبية لكل عملية عند 45 نانومتر: الوصول إلى SRAM، الوصول إلى DRAM، الضرب بفاصلة عائمة
- Google Research: TurboQuant, redefining AI efficiency with extreme compression -- KV cache بدقة 3 bits، تقليص الذاكرة 6x على الأقل، تسريع لوغيتات الانتباه حتى 8x على H100 (أرقام المصنّع)
- MRAM-Info: Samsung on track to start 14 nm eMRAM production by the end of 2024, 8 nm by 2026 and 5 nm by 2027 -- أهداف خارطة طريق Samsung Foundry (إعلان 2023)
- StorageNewsletter: JEDEC and Industry Leaders Collaborate to Release JESD270-4 HBM4 Standard -- HBM4: حتى 2 TB/s عبر واجهة 2048-bit
- EE Times Asia: SEMIFIVE, ICY Tech Achieve Successful Tape-out of 8nm eMRAM-Based Edge AI SoC -- ادعاء الشركتين: استدلال على الجهاز لنماذج حتى 2B معامل