EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Ultra-Low Power 1F1R-Based In-Memory Computing Crossbar for Convolutional Neural Networks

Haochen Zhao, Chengyue Wang, Lihua Xu, Panpan Zhang, Kun Luo, Shengchuan Hu, Liming Chen, Xiuli Fu

Chip · 2026-05 · 100211

DOI: 10.1016/j.chip.2026.100211 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Chip, 2026-05. Verfasst von Haochen Zhao und 7 weiteren Autor:innen. Die Arbeit nennt 37 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: National Natural Science Foundation of China.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Kein Abstract verfügbar.

Förderung

  • National Natural Science Foundation of China

Zitieren

APA

Zhao, H., Wang, C., Xu, L., Zhang, P., Luo, K., Hu, S., Chen, L., & Fu, X. (2026). Ultra-Low Power 1F1R-Based In-Memory Computing Crossbar for Convolutional Neural Networks. Chip, 100211. https://doi.org/10.1016/j.chip.2026.100211

Vancouver

Zhao H, Wang C, Xu L, Zhang P, Luo K, Hu S, et al. Ultra-Low Power 1F1R-Based In-Memory Computing Crossbar for Convolutional Neural Networks. Chip. 2026:100211. doi:10.1016/j.chip.2026.100211

BibTeX
@article{Zhao2026,
  author = {Zhao, Haochen and Wang, Chengyue and Xu, Lihua and Zhang, Panpan and Luo, Kun and Hu, Shengchuan and Chen, Liming and Fu, Xiuli},
  title = {Ultra-Low Power 1F1R-Based In-Memory Computing Crossbar for Convolutional Neural Networks},
  journal = {Chip},
  year = {2026},
  pages = {100211},
  doi = {10.1016/j.chip.2026.100211}
}
Kostenlos starten →