深度分析
記憶體內運算突破蒙特卡羅樹搜尋，IMC-MCTS 以 60mW 功耗實現 9×9 圍棋對弈
蒙特卡羅樹搜尋因高功耗難以邊緣部署。研究者提出階段轉基本運算分解法，將搜尋各階段對應至 CAM、RRAM 陣列等記憶體內運算單元。在 22 奈米製程下，IMC-MCTS 以 60 毫瓦功耗執行 9×9 圍棋，能源效率較 CPU 提升 96 倍，較 H100 GPU 提升最高 2,059 倍。
深度分析
蒙特卡羅樹搜尋因高功耗難以邊緣部署。研究者提出階段轉基本運算分解法，將搜尋各階段對應至 CAM、RRAM 陣列等記憶體內運算單元。在 22 奈米製程下，IMC-MCTS 以 60 毫瓦功耗執行 9×9 圍棋，能源效率較 CPU 提升 96 倍，較 H100 GPU 提升最高 2,059 倍。
深度分析
人工智慧模型規模擴張造成矩陣乘法成為性能與能耗瓶頸。本研究提出OISMA，將1T1R RRAM在讀取時以準隨機位流執行乘法，並以位元AND與平行計數器累加輸出以完成MatMul功能，保留數位記憶體的可擴展性與生產力。實作於180nm展現可觀能效與面積優勢，且大型矩陣誤差降至約1.81%。