एनालॉग कोलमोगोरोव-अर्नोल्ड नेटवर्क्स फ्लेक्सिबल इलेक्ट्रॉनिक्स के लिए कुशल फ़ंक्शन सन्निकटन के लिए

सामग्री

1. परिचय

फ्लेक्सिबल इलेक्ट्रॉनिक्स हार्डवेयर डिजाइन में एक प्रतिमान परिवर्तन का प्रतिनिधित्व करती है, जो इसे वियरेबल डिवाइस, IoT सेंसर और मेडिकल उपकरण जैसे अनुप्रयोगों में संभव बनाती है जहां आकार, वजन और बिजली की खपत पर सख्त प्रतिबंध होते हैं। हालांकि, फ्लेक्सिबल इलेक्ट्रॉनिक सबस्ट्रेट्स (जैसे IGZO) के बड़े फीचर आकार और सामग्री गुण पारंपरिक डिजिटल कंप्यूटिंग हार्डवेयर को अक्षम बनाते हैं। यह पेपर इन सख्त बाधाओं के तहत कार्य करने के लिए, Kolmogorov-Arnold Networks को लागू करने हेतु एनालॉग सर्किट्री का उपयोग करने वाले एक नवीन, व्यवस्थित दृष्टिकोण का प्रस्ताव करके इस चुनौती का समाधान करता है।फ़ंक्शन सन्निकटनमुख्य चुनौती।

प्रस्तावित विधि उच्च-शक्ति वाले डिजिटल कंप्यूटेशनल यूनिट्स को कस्टम-डिज़ाइन एनालॉग बिल्डिंग ब्लॉक्स (ABB) से प्रतिस्थापित करती है, जो जोड़, गुणा और वर्ग जैसे मूलभूत संचालन करते हैं। इन ABB का उपयोग बाद में स्प्लाइन फ़ंक्शन बनाने के लिए बुनियादी घटकों के रूप में किया जाता है, जो KAN के मुख्य कंप्यूटेशनल तत्व हैं। डिजिटल कार्यान्वयन की तुलना में, इस एनालॉग कार्यान्वयन से क्षेत्र और बिजली की खपत में काफी कमी की उम्मीद है, जिससे लचीली इलेक्ट्रॉनिक प्रणालियों में जटिल नियर-सेंसर प्रोसेसिंग को सक्षम करना संभव हो जाता है।

2. पृष्ठभूमि एवं प्रेरणा

2.1 लचीले इलेक्ट्रॉनिक्स के सामने चुनौतियाँ

हालांकि फ्लेक्सिबल इलेक्ट्रॉनिक्स प्रौद्योगिकी अपने लचीलेपन और कम लागत वाले निर्माण के कारण आशाजनक है, लेकिन इससे महत्वपूर्ण डिज़ाइन बाधाएँ भी उत्पन्न होती हैं:

• बड़ा फीचर साइज़:सिलिकॉन की तुलना में, IGZO जैसी सामग्रियों में ट्रांजिस्टर का न्यूनतम आकार बड़ा होता है, जिसके कारण समान कार्यक्षमता प्राप्त करने के लिए आवश्यक सर्किट क्षेत्र स्वाभाविक रूप से अधिक होता है।
• पावर सीमाएँ:कई लचीले इलेक्ट्रॉनिक अनुप्रयोग बैटरी पावर या ऊर्जा संग्रहण पर निर्भर करते हैं, जिन्हें अल्ट्रा-लो पावर ऑपरेशन की आवश्यकता होती है।
• प्रोसेसिंग आवश्यकताएँ:बायोसिग्नल मॉनिटरिंग (जैसे ECG, EMG) और पर्यावरण संवेदन जैसे अनुप्रयोगों को डेटा ट्रांसमिशन की ऊर्जा लागत से बचने के लिए रीयल-टाइम, इन-सीटू डेटा प्रोसेसिंग (नियर-सेंसर कंप्यूटिंग) की आवश्यकता होती है।

ये बाधाएं पारंपरिक डिजिटल सिग्नल प्रोसेसर और माइक्रोकंट्रोलर को उनके क्षेत्र और बिजली खपत के कारण अव्यावहारिक बना देती हैं।

2.2 Kolmogorov-Arnold Networks

KAN एक न्यूरल नेटवर्क आर्किटेक्चर है जो Kolmogorov-Arnold प्रतिनिधित्व प्रमेय पर आधारित है और हाल ही में पुनर्जीवित हुआ है। मल्टीलेयर पर्सेप्ट्रॉन के विपरीत, जो नोड्स पर निश्चित सक्रियण कार्यों का उपयोग करते हैं, KAN नेटवर्क के边(वज़न) पर। एक KAN परत को इस प्रकार व्यक्त किया जा सकता है:

$$\Phi(\mathbf{x}) = \left( \sum_{i=1}^{n} \phi_{q,i}(x_i) \right)_{q=1}^{n_2}$$

जहाँ $\phi_{q,i}$ सीखने योग्य एकल-चर फ़ंक्शन (स्प्लाइन) हैं। यह संरचना फ़ंक्शन सन्निकटन में उच्च सटीकता और व्याख्यात्मकता प्रदान करती है, और संभवतः MLP की तुलना में कम पैरामीटर का उपयोग करती है, जो इसे सैद्धांतिक रूप से हार्डवेयर कार्यान्वयन के लिए आकर्षक बनाती है।

3. प्रस्तावित सिम्युलेटेड KAN आर्किटेक्चर

मूल नवाचार एक में निहित हैव्यवस्थित और सार्वभौमिकडिज़ाइन प्रक्रिया, जो किसी भी फ़ंक्शन सन्निकटन कार्य को एनालॉग KAN सर्किट में बदलने के लिए उपयोग की जाती है।

3.1 सिम्युलेटेड बिल्डिंग ब्लॉक

स्पलाइन-आधारित गणना के लिए आवश्यक मूल संचालनों को समर्पित, अनुकूलित एनालॉग सर्किट में विघटित किया जाता है:

• एडर ABB:करंट मिरर या ऑपरेशनल एम्पलीफायर पर आधारित योग कॉन्फ़िगरेशन।
• मल्टीप्लायर ABB:गिल्बर्ट सेल गुणक या ट्रांसलाइनियर सिद्धांत पर आधारित सर्किट का उपयोग करके कार्यान्वित, लचीले इलेक्ट्रॉनिक्स वोल्टेज रेंज के लिए उपयुक्त।
• स्क्वायरर ABB:एक विशेष सर्किट जो कुछ ट्रांजिस्टर के कार्य क्षेत्रों में द्विघात $I-V$ संबंध का लाभ उठाता है।

ये ABB लचीले इलेक्ट्रॉनिक ट्रांजिस्टर की सीमित ड्राइव क्षमता की क्षतिपूर्ति के लिए कम वोल्टेज संचालन के लिए डिज़ाइन किए गए हैं।

3.2 एबीबी का उपयोग करके स्प्लाइन फ़ंक्शंस का निर्माण

नोड्स के बीच खंडशः बहुपद द्वारा परिभाषित स्प्लाइन फ़ंक्शन $\phi(x)$ बनाने के लिए ABB को कॉन्फ़िगर किया जाता है। नोड्स $x_k$ और $x_{k+1}$ के बीच रैखिक स्प्लाइन खंड के लिए, संचालन मूलतः स्केल्ड जोड़ है। उच्च-क्रम (जैसे क्यूबिक) स्प्लाइन के लिए, बहुपद पदों की गणना करने के लिए ABB को आपस में जोड़ा जाता है, जैसे $a x^3 + b x^2 + c x + d$। गुणांक ($a, b, c, d$) बायस वोल्टेज या करंट के माध्यम से सेट किए जाते हैं, जिससे फ़ंक्शन प्रोग्रामेबल हो जाता है।

3.3 नेटवर्क असेंबली

KAN ग्राफ़ संरचना के अनुसार कई स्प्लाइन ब्लॉकों (एज फ़ंक्शंस) को आपस में जोड़ा गया है। इनपुट एनालॉग वोल्टेज के रूप में दिए जाते हैं। प्रत्येक नेटवर्क नोड पर "योग" ऑपरेशन एडर ABB द्वारा किया जाता है। इस प्रकार, संपूर्ण नेटवर्क KAN फॉरवर्ड प्रोपेगेशन के समतुल्य एनालॉग संचालन करता है।

4. तकनीकी कार्यान्वयन एवं विवरण

4.1 गणितीय सूत्र

एनालॉग KAN कार्यान्वयन का फ़ंक्शन है: $f(\mathbf{x}) \approx \sum_{q=1}^{m} \Phi_q\left( \sum_{i=1}^{n} \phi_{q,i}^{\text{(analog)}}(x_i) \right)$, जहाँ $\phi_{q,i}^{\text{(analog)}}(\cdot)$ स्प्लाइन सर्किट ब्लॉक का भौतिक ट्रांसफर फ़ंक्शन है, जिसमें ऑफ़सेट और गेन एरर जैसे गैर-आदर्श कारक शामिल हैं।

4.2 ABB का सर्किट डिज़ाइन

लचीले इलेक्ट्रॉनिक्स संगतता के लिए प्रमुख डिज़ाइन विचार:

• सब-थ्रेशोल्ड क्षेत्र में संचालन:ट्रांजिस्टर आमतौर पर न्यूनतम बिजली खपत प्राप्त करने के लिए सबथ्रेशोल्ड क्षेत्र में बायस किया जाता है, लेकिन यह ABB के लाभ और रैखिकता को प्रभावित करता है।
• परजीवी धारिता:बड़ी विशेषता आयाम परजीवी प्रभावों को बढ़ाते हैं, जो बैंडविड्थ को सीमित करते हैं और सिग्नल विरूपण का कारण बनते हैं। यह उल्लिखित सन्निकटन त्रुटि के प्रमुख स्रोतों में से एक है।
• Process Variation:Flexible electronics manufacturing exhibits higher variability than silicon-based processes, thus requiring robust ABB designs or calibration circuits.

5. परिणाम और विश्लेषण

5.1 हार्डवेयर दक्षता मेट्रिक्स

इस लेख में प्रस्तावित एनालॉग KAN की डिजिटल बेसलाइन (एक 8-बिट स्प्लाइन सन्निकटन इकाई) के साथ तुलनात्मक विश्लेषण प्रस्तुत किया गया है।

• क्षेत्र:सिमुलेशन डिज़ाइन ने हासिल किया125 गुना सिलिकॉन क्षेत्र में कमीयह मुख्य रूप से इसलिए है क्योंकि डिजिटल कार्यान्वयन को क्षेत्र-गहन घटकों की आवश्यकता होती है, जैसे एनालॉग-टू-डिजिटल कन्वर्टर्स, डिजिटल गुणक, और लुकअप टेबल या गुणांक भंडारण के लिए मेमोरी, जिन सभी को शुद्ध एनालॉग सिग्नल पथ में टाला जाता है।
• बिजली की खपत:रिपोर्ट किया गया10.59% बिजली की बचतबचत घड़ी डिजिटल सर्किट और ADC की गतिशील बिजली खपत को समाप्त करने से आती है। हालांकि, यह मार्जिन यह भी इंगित करता है कि एनालॉग सर्किट, विशेष रूप से लचीले इलेक्ट्रॉनिक्स में कैपेसिटिव लोड चलाने वाले सर्किट, अभी भी महत्वपूर्ण स्थैतिक/एनालॉग बिजली खपत करते हैं।

5.2 सन्निकटन त्रुटि विश्लेषण

हार्डवेयर दक्षता की कीमत सटीकता है। एनालॉग KAN परिचय कराता है7.58%अधिकतम सन्निकटन त्रुटि। त्रुटि के स्रोतों में शामिल हैं:

1. सर्किट गैर-आदर्शता:ट्रांजिस्टर मिसमैच, सीमित आउटपुट प्रतिबाधा और ABB में अरैखिकता।
2. परजीवी प्रभाव:जैसा पहले बताया गया है, लचीली इलेक्ट्रॉनिक्स प्रौद्योगिकी में निहित परजीवी प्रतिरोध और धारिता संकेतों को विकृत कर सकते हैं, विशेष रूप से उच्च आवृत्तियों पर या तेजी से संकेत परिवर्तन के दौरान।
3. तापमान और वोल्टेज संवेदनशीलता:डिजिटल सर्किट के विपरीत, एनालॉग सर्किट का प्रदर्शन पर्यावरणीय परिस्थितियों के साथ ड्रिफ्ट करता है।

सेंसर कैलिब्रेशन, बायोलॉजिकल सिग्नल ट्रेंड डिटेक्शन, या एक्चुएटर कंट्रोल जैसे अनुप्रयोगों के लिए जहाँ उच्च सटीकता आवश्यक नहीं है, यह त्रुटि स्तर स्वीकार्य हो सकता है।

6. केस स्टडी: फ्रेमवर्क अनुप्रयोग

परिदृश्य: वियरेबल पैच में हृदय गति परिवर्तनशीलता सुविधा निष्कर्षण।

लक्ष्य:सीधे सेंसर नोड पर, हृदय गति अंतराल डेटा के आधार पर, निरंतर अंतरों की गणना के लिए मूल माध्य वर्ग (RMS) इस महत्वपूर्ण HRV मापदंड के गैर-रेखीय कार्य का अनुमान लगाना।

डिजिटल विधि:पैच में माइक्रोकंट्रोलर नमूना अंतराल लेता है, अंतरों का वर्ग करता है, उनका योग करता है, गिनती से विभाजित करता है और वर्गमूल की गणना करता है - यह एक क्रमिक डिजिटल संचालन से जुड़ी बहु-चरणीय प्रक्रिया है जो पर्याप्त ऊर्जा की खपत करती है।

प्रस्तावित एनालॉग KAN विधि:

1. फ़ंक्शन मैपिंग:5 अंतराल विंडोज़ के RMSSD गणना को एक फ़ंक्शन $f(\Delta_1, \Delta_2, \Delta_3, \Delta_4)$ के रूप में मॉडल किया गया।
2. KAN प्रशिक्षण:इस मैपिंग को सीखने के लिए नमूना डेटा पर एक छोटे KAN (जैसे [4, 8, 1]) का ऑफ़लाइन प्रशिक्षण करें।
3. सिमुलेशन संश्लेषण:प्रशिक्षित KAN के स्प्लाइन फ़ंक्शन को ABB नेटवर्क में परिवर्तित करें। इनपुट $\Delta_i$ मान को समय अंतराल के समानुपाती एनालॉग वोल्टेज के रूप में व्यक्त किया जाता है।
4. सेंसर-इन-कंप्यूटिंग:एनालॉग सर्किट अंतराल वोल्टेज प्राप्त करता है और वास्तविक समय में RMSSD मान के समानुपाती आउटपुट वोल्टेज उत्पन्न करता है, जिसकी बिजली खपत अत्यंत कम है। 7.58% त्रुटि HRV प्रवृत्ति निगरानी की स्वीकार्य सीमा के भीतर है।

यह मामला डिजिटल डोमेन से विशिष्ट, निश्चित कंप्यूटेशनल कर्नेल को कस्टमाइज्ड, अति-कुशल एनालॉग फ्रंट-एंड में स्थानांतरित करने की संभावना को प्रदर्शित करता है।

7. भविष्य के अनुप्रयोग और अनुसंधान संभावनाएं

• हाइब्रिड एनालॉग-डिजिटल सिस्टम:भविष्य के लचीले इलेक्ट्रॉनिक सिस्टम KAN के एनालॉग संस्करण को प्री-प्रोसेसिंग या फीचर एक्सट्रैक्शन इंजन के रूप में नियोजित कर सकते हैं, जिसके आउटपुट को हल्के डिजिटल कोर को फीड किया जाता है ताकि निर्णय लिया जा सके, जिससे बिजली की खपत और सटीकता के बीच इष्टतम संतुलन प्राप्त हो सके।
• ऑन-चिप लर्निंग एवं अनुकूलन:एक प्रमुख अग्रिम मोर्चा ऐसे ABB नेटवर्क को डिजाइन करना है जो ऑन-चिप लर्निंग एल्गोरिदम के माध्यम से स्प्लाइन गुणांक (बायस वोल्टेज) को समायोजित कर सकते हैं, जिससे सेंसर ड्रिफ्ट या व्यक्तिगत उपयोगकर्ता विशेषताओं के अनुकूल हो सके। एनालॉग नॉन-वोलेटाइल मेमोरी (जैसे मेमरिस्टर का उपयोग करके) पर शोध महत्वपूर्ण हो सकता है।
• त्रुटि शमन तकनीकें:सरल डिजिटल कैलिब्रेशन सर्किट (जैसे, एनालॉग पथ में डीसी ऑफसेट को मापने और सुधारने के लिए) को एकीकृत करने से सन्निकटन त्रुटि में उल्लेखनीय कमी आ सकती है, बिना बड़े क्षेत्र/शक्ति हानि के।
• व्यापक कम्प्यूटेशनल कोर:एबीबी लाइब्रेरी का विस्तार करके घातांक या सिग्मॉइड फ़ंक्शन जैसे ऑपरेशन वाले सर्किट शामिल करने से, सरल फ़ंक्शन सन्निकटन से परे अधिक जटिल मशीन लर्निंग मॉडल के एनालॉग कार्यान्वयन को सक्षम किया जा सकता है।
• सिस्टम-ऑन-चिप एकीकरण:अंतिम लक्ष्य एक ही लचीले सब्सट्रेट पर सेंसर, एनालॉग KAN प्रोसेसर और अल्ट्रा-लो-पावर संचार मॉड्यूल को मोनोलिथिक रूप से एकीकृत करना है, जिससे वास्तव में स्वायत्त इंटेलिजेंट सेंसिंग पैच प्राप्त किया जा सके।

8. संदर्भ सूची

1. Z. Liu et al., "KAN: Kolmogorov-Arnold Networks," arXiv:2404.19756, 2024. (KAN को पुनर्जीवित करने वाला अग्रणी शोध पत्र)।
2. G. E. Hinton et al., "The Forward-Forward Algorithm: Some Preliminary Investigations," arXiv:2212.13345, 2022. (जैविक रूप से प्रेरित, हार्डवेयर-अनुकूल कुशल एल्गोरिदम की खोज पर जोर दिया गया है)।
3. M. M. Shulaker et al., "Carbon Nanotube Computer," प्रकृति, vol. 501, pp. 526–530, 2013। (नई सब्सट्रेट चुनौतियों का उदाहरण)।
4. J. Zhu et al., "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks," IEEE ICCV, 2017. (CycleGAN, as an example of a complex function learned by a network, may become the target of approximation).
5. International Roadmap for Devices and Systems, "More than Moore" White Paper, IEEE, 2022. (Discusses development trends in heterogeneous integration and specialized hardware).
6. Y. Chen et al., "Eyeriss: An Energy-Efficient Reconfigurable Accelerator for Deep Convolutional Neural Networks," IEEE JSSC, 2017. (डिजिटल एक्सेलेरेटर विधि के विपरीत)।

9. विश्लेषक दृष्टिकोण: मुख्य अंतर्दृष्टि और टिप्पणी

मुख्य अंतर्दृष्टि:यह कार्य केवल एक और एनालॉग सर्किट पेपर नहीं है; यह लचीले इलेक्ट्रॉनिक्स के क्षेत्र के लिए एक है, जोडिजिटल-केंद्रित सह-डिजाइन向एनालॉग-नेटिव एल्गोरिदम-हार्डवेयर सह-निर्माणका रणनीतिक परिवर्तन। लेखक सही ढंग से पहचानते हैं कि डिजिटल प्रोसेसर को लचीले इलेक्ट्रॉनिक सब्सट्रेट्स पर जबरन लादना भौतिक नियमों (बड़ी फीचर साइज, उच्च पैरासिटिक प्रभाव) के साथ एक हारी हुई लड़ाई है। उनकी चतुराई इस बात में है कि उन्होंने विशिष्ट कार्यों — निरंतर फ़ंक्शन सन्निकटन — में एनालॉग डोमेन की अंतर्निहित दक्षता को अपनाया है, और एल्गोरिदम आवश्यकताओं को एनालॉग हार्डवेयर पर मैप करने के लिए एक व्यवस्थित पुल (KAN और ABB के माध्यम से) प्रदान किया है। इसने बदले में लचीले इलेक्ट्रॉनिक्स की कमजोरियों (एनालॉग-अनुकूल वोल्टेज, GHz क्लॉक की आवश्यकता नहीं) को ताकत में बदल दिया है।

तार्किक संरचना:इसका तर्क अत्यंत प्रभावशाली है: 1) लचीले इलेक्ट्रॉनिक्स को कम बिजली खपत और छोटे क्षेत्र की गणना की आवश्यकता होती है। 2) डिजिटल सर्किट लचीले इलेक्ट्रॉनिक्स पर इसमें माहिर नहीं हैं। 3) एनालॉग सर्किट कम बिजली खपत वाली गणना में माहिर हैं लेकिन उनमें डिजाइन मेथडोलॉजी की कमी है। 4) KAN फ़ंक्शन के लिए एक आदर्श, स्प्लाइन-आधारित गणितीय अमूर्तता प्रदान करता है। 5) स्प्लाइन को बुनियादी एनालॉग बिल्डिंग ब्लॉक्स (ABB) से बनाया जा सकता है। 6) इसलिए, हम व्यवस्थित रूप से एनालॉग KAN का निर्माण कर सकते हैं। 125 गुना क्षेत्र की बचत इस पूरी तर्क श्रृंखला के सत्यापन के रूप में एक विस्फोटक प्रूफ-ऑफ-कॉन्सेप्ट है।

फायदे और कमियाँ:
फायदे:व्यवस्थित पद्धतिशास्त्रयह ताज का मोती है। यह एक-बार के एनालॉग सर्किट से आगे बढ़कर पुनरुत्पादन योग्य डिज़ाइन प्रवाह की ओर मुड़ता है - जो प्रौद्योगिकी के अपनाए जाने की एक आवश्यक शर्त है। चयनKAN, MLP नहींयह समझदारी है; किनारे पर स्प्लाइन नोड-केंद्रित सक्रियण कार्यों की तुलना में अधिक स्वाभाविक रूप से योगात्मक/गुणात्मक अनुरूप संचालन में विघटित होते हैं। लक्षित क्षेत्र के लिए हार्डवेयर परिणाम निस्संदेह प्रभावशाली हैं।
कमियाँ:कमरे में हाथी है7.58% त्रुटि। हालांकि इसे कुछ अनुप्रयोगों के लिए स्वीकार्य के रूप में हल्के में लिया गया है, लेकिन यह कई अन्य अनुप्रयोगों के लिए एक प्रमुख बाधा है। पेपर नेकैलिब्रेशन और परिवर्तनशीलता की चुनौतियाँ। सिमुलेशन में प्रशिक्षित सिम्युलेटेड KAN, प्रक्रिया विचलन के कारण, निर्मित प्रत्येक फ़ॉइल पर अलग तरह से प्रदर्शन करेगा। यदि कोई अंतर्निहित, कम ओवरहेड ट्यूनिंग तंत्र नहीं है, तो यील्ड विनाशकारी हो सकती है। इसके अलावा, यह कार्य काफी हद तकसिद्धांत/सिमुलेशन; व्यावहारिक सत्यापन के लिए IGZO या ऑर्गेनिक ट्रांजिस्टर मॉडल की आवश्यकता है, ताकि परजीवी प्रभाव विश्लेषण की पुष्टि की जा सके।

क्रियान्वयन योग्य अंतर्दृष्टि:

1. शोधकर्ताओं के लिए:निवेश दोगुना करेंपरिवर्तनशीलता और स्व-अंशांकन के लिए डिज़ाइन पर विचार करेंअगले महत्वपूर्ण शोध पत्र में एक एनालॉग KAN प्रदर्शित करना होगा जिसमें एक बंद-लूप ट्यूनिंग सर्किट हो, जो निर्माण के बाद ऑफसेट और गेन त्रुटियों को सही कर सके, संभवतः एक सरल ऑन-चिप संदर्भ सिग्नल का उपयोग करके।
2. उद्योग के लिए (वेयरेबल्स/आईओटी):पूर्णता की प्रतीक्षा न करें। अपनी प्रक्रिया में उन चीजों की पहचान करना शुरू करें जो"पर्याप्त रूप से अच्छा" कंप्यूटेशनल कोर——सेंसर रैखिकीकरण, थ्रेशोल्ड पहचान, सरल विशेषता निष्कर्षण (जैसे RMSSD मामला)। ये पहली पीढ़ी के एनालॉग KAN IP मॉड्यूल के लिए आसान लक्ष्य हैं।
3. टूल डेवलपर्स (EDA) के लिए:यह शोध नई EDA टूलचेन की मांग करता है। उद्योग को एक ओपन-सोर्स फ्रेमवर्क की आवश्यकता है जोउच्च-स्तरीय फ़ंक्शन विवरण (या प्रशिक्षित KAN) को ABB नेटलिस्ट में संकलित कर सके, और लक्षित फ्लेक्सिबल इलेक्ट्रॉनिक्स PDK के लिए लेआउट जनरेशन शामिल करे। इससे यह तकनीक लोकतांत्रिक हो जाएगी।
4. रणनीतिक दांव:यह दृष्टिकोण इस पर दाँव लगाना है"माइक्रो स्मार्ट IoT", जहाँ ऊर्जा और आकार पूर्ण सटीकता से अधिक महत्वपूर्ण हैं। निवेशकों और कंपनियों को एनालॉग इन-मेमोरी कंप्यूटिंग और एनालॉग कंप्यूटिंग को डिजिटल AI के पूरक के रूप में देखना चाहिए, न कि प्रतिस्थापन के रूप में; ये अगले अरब अति-विवश उपकरणों को सक्षम करने की मुख्य प्रौद्योगिकियाँ हैं जहाँ डिजिटल कंप्यूटिंग मूलतः अव्यवहार्य है। यह लेख एक विश्वसनीय रोडमैप प्रदान करता है।

संक्षेप में, यह एक उच्च प्रभाव वाला, दूरदर्शी शोध है। इसमें अग्रणी कार्यों की विशिष्ट कमियाँ हैं, लेकिन इसका मूल आधार - एनालॉग फ़ंक्शन सन्निकटन के लिए एक संरचित पथ - मजबूत है, और संभवतः मशीन लर्निंग, सर्किट डिज़ाइन और फ्लेक्सिबल हार्डवेयर के अंतरसंबंध में एक नया उप-क्षेत्र प्रेरित करेगा।