ترجمه مقاله نقش ضروری ارتباطات 6G با چشم انداز صنعت 4.0
- مبلغ: ۸۶,۰۰۰ تومان
ترجمه مقاله پایداری توسعه شهری، تعدیل ساختار صنعتی و کارایی کاربری زمین
- مبلغ: ۹۱,۰۰۰ تومان
Technology scaling enables today the design of sensor-based ultra-low cost chips well suited for emerging applications such as wireless body sensor networks, urban life and environment monitoring. Energy consumption is the key limiting factor of this up-coming revolution and memories are often the energy bottleneck mainly due to leakage power. This paper proposes an ultra-low power multi-core architecture targeting eHealth monitoring systems, where applications involve collection of sequences of slow biomedical signals and highly parallel computations at very low voltage. We propose a hybrid memory architecture that combines 6T-SRAM and 8T-SRAM operating in the same voltage domain and capable of dispatching at high voltage a normal operation and at low voltage a fully reliable small memory partition (8T) while the rest of the memory (6T) is state-retentive. Our architecture offers significant energy savings with a low area overhead in typical eHealth Compressed Sensingbased applications.
مقیاس گذاری فناوری در زمان کنونی کار طراحی تراشه های هزینه خیلی کم مبتنی بر سنسور را میسر می سازد که به خوبی برای اپلیکیشن های در حال ظهور نظیر شبکه های حسگر بدن بی سیم ، زندگی شهری و پایش محیط زیست مناسب می باشند . مصرف انرژی یک فاکتور محدود کننده برای این تحول نزدیک می باشد و حافظه ها اغلب به دلیل نشت برق یک گلوگاه محسوب می شوند .
مقاله حاضر یک معماری چند هسته ای قدرت خیلی کم را با هدف قرار دادن سیستم های پایش سلامتی الکترونیکی پیشنهاد می دهد که در انجا اپلیکیشن ها شامل جمع اوری توالی های سیگنال های بیوپزشکی کند و محاسبات موازی بالا در ولتاژ بسیار کم می باشند . ما معماری حافظه هیبریدی را پیشنهاد می دهیم 6T-SRAM و 8T-SRAM عملیاتی در حوزه ولتاژ یکسان را ترکیب می کند و قادر به اعزام در ولتاژ بالا در عملیات معمولی و ولتاژ کم در پارتیشن حافظه کوچک کاملا مطمئن می باشد در حالی که مابقی حافظه نگهدارنده وضعیت می باشد . معماری ما صرفه جویی های انرژی قابل توجه را در اپلیکیشن های مبتنی بر eHealth Compressed Sensing را پیشنهاد می دهد .